文章核心观点 - 天津大学与合肥工业大学研究团队提出FAME（Flow-driven Anchor-based Multimodal Exploration）方法，针对学习型主动三维建图方法只预测单一长期探索目标的局限，利用Conditional Flow Matching同时生成多个可能的探索目标，再结合路径规划、探索模式聚类和分层选择，帮助机器人在未知环境中找到更合适的探索路线 [4] - 该研究已被NeurIPS 2026接收并入选Spotlight（亮点论文），本届会议共录用7,900篇论文，其中292篇入选Spotlight，约占录用论文的3.7% [4] - 论文标题为All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [9] - 研究核心思路是让机器人基于有限观测对未来的多种可能性进行建模和想象，并以此指导当前决策，与世界模型所强调的"理解环境、想象未来、指导行动"相契合 [35] 研究背景与问题动机 - 主动三维建图不仅要求机器人根据观测恢复环境的三维结构，还需要主动决定下一步去哪里采集信息，争取用更少的运动和观测代价重建尽可能完整的场景 [7] - 机器人能够观察到的始终只是环境的一部分，即使两个场景的局部结构看起来相似，尚未探索的区域也可能完全不同；如果模型只根据过去学到的经验预测一个长期目标，遇到陌生环境时就容易选错方向，遗漏其他有价值的区域 [7] - 研究团队指出，在部分可观测条件下，长期探索目标往往具有多模态特征，即对于同一个当前状态，可能同时存在多个合理的未来探索方向 [8] - 从理论上看，当多个合理的探索目标分布在不同方向时，采用平方误差训练的单目标预测模型容易给出这些目标的平均位置，但这个位置未必是合适的探索目标，甚至可能落在障碍物区域 [10] - 因此研究团队认为，与其让模型只预测一个目标，不如让它同时考虑多个可能的探索方向 [10] 方法设计：Flow Matching多目标生成 - 研究团队引入Conditional Flow Matching（CFM），模型根据机器人当前已经构建的地图，从随机噪声出发，逐步生成多个不同位置和朝向的探索目标（Anchor），每个Anchor代表一个可能的长期探索方向 [13] - 例如有的锚点可能引导机器人进入左侧房间，有的可能对应继续深入走廊，还有的可能指向尚未覆盖的局部区域 [14] - 与直接生成完整的探索路线不同，FAME只需要预测目标的位置和方向，模型负责提出几个可能去的地方，路径规划器再根据障碍物地图计算每个目标应该怎么走，这样既能保留多个探索方向，也不用让模型直接生成整条路线 [14] 方法设计：路径规划、聚类与分层选择 - FAME使用基于A*的路径规划器，根据当前的障碍物地图为每个Anchor生成一条候选路径 [19] - 系统根据路径终点、几何形状、前段执行行为以及绕障拓扑等信息，对相似路径进行聚类，使多个Anchor最终对应相近路线时可以被组织到同一个探索模式中，减少重复候选对后续决策的干扰 [20][21] - 分层选择方面，FAME并不直接对所有路径进行一次性排序，而是先在探索模式层面作出选择，再在选中的模式内部筛选具体路线 [22] - 第一层重点考虑潜在探索收益、风险、不确定性、代价和多样性；第二层进一步比较具体路径的收益、执行风险、成本以及与既有规划的连续性 [23] - 这种先选探索策略、再选执行路线的设计，使机器人不必在大量相似候选之间反复切换 [23] 定量实验结果 - 研究团队在AiMDoom与Matterport3D（MP3D）两个基准上进行系统实验，重点考察跨场景分布的泛化能力 [27] - 在AiMDoom数据集上，FAME在Simple、Normal、Hard和Insane四个难度级别中，最终覆盖率和AUC均优于其他对比方法；在最困难的Insane设置下，最终覆盖率从NBP的47.2%提升至53.4%，提高了6.2个百分点 [27] - 在基于真实室内扫描数据构建的Matterport3D基准上，FAME的重建完成率达到82.67%，重建误差为5.67cm，优于NBP的79.38%与6.78cm，同样优于Random（45.67%）、FBE（71.18%）、UPEN（69.06%）、OccAnt（71.72%）、ANM（73.15%）等对比方法 [28][30] - 跨数据集泛化方面，研究团队将模型在AiMDoom上训练后直接迁移到MP3D测试且不进行任何微调，FAME的重建完成率仍达到68.45%，重建误差9.11cm，相比NBP的61.81%提高了6.64个百分点 [28][30] 定性展示与效果对比 - 在相同场景、相同起点下的探索过程对比中，NBP更容易沿着一个方向持续探索而忽略其他尚未探索的区域，即使旁边还有房间或通道，机器人也可能继续沿着当前路线前进，导致部分区域没有得到充分重建 [31] - 相比之下，FAME不会只考虑一个探索目标，而是同时生成多个可能的探索方向再从中选择更合适的路线，使机器人有机会探索到更多原本容易被忽略的区域，让最终重建的地图更加完整 [31] 未来展望 - FAME的研究不仅是让机器人找到更合适的探索路线，更重要的是让机器人能够基于有限的观测对未来的多种可能性进行建模和想象，并以此指导当前的决策 [35] - 未来研究团队将沿着这一方向继续深入探索，从对未来探索方向的预测逐步拓展到对未知场景和行动结果的想象与推理，让机器人不仅能够感知眼前的世界，还能对尚未看到的世界作出合理预测，进一步提升其自主探索与决策能力 [35]