A frontier-based exploration strategy informed by an estimation of map completeness

In the domain of autonomous robotics, exploration is the task of visiting initially unknown environments, and incrementally building their maps. In this thesis, we propose a novel strategy of efficient exploration that is informed by the estimation of map completeness using Convolutional Neural Networks (CNNs). In practice, traditional exploration strate- gies often face challenges in balancing efficiency with comprehensive coverage. While these methods aim to explore unknown areas systematically, they can become inefficient in large and complex environments by revisiting explored regions or prioritizing areas that offer minimal new information. To address these limitations, we combine CNNs trained to predict unexplored regions with Gradient-weighted Class Activation Mapping (Grad- CAM) which highlighted the most interesting regions on the map to guide exploration to them. By integrating information gain, navigation cost, and Grad-CAM outputs into a unified scoring function, the proposed method evaluates and ranks exploration targets, prioritiz- ing areas that offer high potential for improving the map while minimizing unnecessary exploration. The strategy is validated in comprehensive experiments against baseline methods, and is shown to outperform them in metrics including total time of exploration, coverage area, and traveled distance. This work bridges classic exploration strategies with deep learning techniques to offer a robust paradigm for real-time decision-making in autonomous exploration.

In robotica mobile autonoma viene definita esplorazione il compito di costruire incremen- talmente la mappa di un ambiente sconosciuto utilizzando le percezioni del robot fatte in esso. Per decidere come muoversi all’interno dell’ambiente, il robot utilizza una strategia di esplorazione. In questo lavoro di tesi, proponiamo una nuova strategia di esplorazione che utilizza reti neurali convoluzionali (CNN) per stimare il grado di completezza della mappa. Le strategie di esplorazione tradizionali incontrano spesso difficoltà nel bilanciare l’efficienza dell’esplorazione, ovvero esplorare grandi porzioni dell’ambiente in un tempo ridotto, con una copertura completa. Questi metodi cercano di esplorare sistematicamente le aree sconosciute, ma possono diventare inefficienti in ambienti grandi e complessi, per- ché conducono il robot a rivisitare regioni già esplorate, dando priorità a zone che offrono poche nuove informazioni. Per ridurre queste limitazioni, in questo lavoro utilizziamo una CNN addestrata a classificare la mappa corrente del robot come completamente esplorata o non completamente esplorata per evidenziare sulla mappa stessa le regioni più promet- tenti da esplorare, in modo da guidare l’esplorazione verso di esse. Per ottenere questa mappa, utilizziamo una Gradient-weighted Class Activation Mapping (Grad-CAM). La nostra strategia di esplorazione integra l’information gain, ovvero una stima di quanta area si può osservare da ogni posizione raggiungibile dal robot, il costo di navigazione, e le aree evidenziate dalla Grad-CAM in una funzione di valutazione unificata che viene utilizzata per identificare quale sia la posizione nell’ambiente più promettente da rag- giungere per il robot. Seguendo questa strategia, il robot riesce ad esplorare in maniera incrementale quelle porzioni dell’ambiente che sono sia vicine che importanti al fine del task di esplorazione. La nostr astrategia è stata validata attraverso esperimenti esaustivi in simulazione e comparata con rispetto strategie di esplorazione di riferimento, miglio- rando metriche utilizzate per valutare l’efficienza della strategia di esplorazione quali il tempo totale di esplorazione, l’area coperta dal robot e la distanza percorsa.