Learning when to stop: terminating robot exploration in realistic indoor environments

We consider the task of indoor environment exploration, in which an autonomous robot navigates and builds a 2D map of an unknown or partially known environment. Many methods perform well on early stages of exploration by identifying large unexplored areas. However, in the final stages, the robot discovers small, scattered areas of the environment that add little new information to the final map spending excessive time. Studies show that up to 71% of exploration time can be spent covering the final 10% of the space, highlighting the need for an effective stopping criterion. In this thesis, we propose a novel stopping criterion for exploration, called Early Stopping, which ends the exploration process not when the entire environment has been fully observed, but when all the remaining unexplored areas are sufficiently small and scattered to be considered irrelevant. Our method uses a Convolutional Neural Network (CNN) to identify when a grid map can be considered explored, without requiring any prior knowledge of the environment. Our ex- perimental results demonstrate that Early Stopping can greatly decrease exploration time while maintaining nearly complete final map quality with minimal loss even in realistic environments.

In questo lavoro di tesi consideriamo il task di esplorazione di ambienti indoor, in cui un robot autonomo naviga e costruisce una mappa 2D di un ambiente inizialmente sconosciuto. Molti metodi ottengono buoni risultati nelle fasi iniziali dell’esplorazione, identificando ampie aree non esplorate. Tuttavia, nelle fasi finali, il robot tende a scoprire aree che aggiungono poche nuove informazioni alla mappa finale, che richiedono una grande quantità di tempo per essere osservate. Studi dimostrano che fino al 71% del tempo di esplorazione può essere speso per coprire l’ultimo 10% dello spazio, evidenziando la necessità di un criterio di arresto efficace. In questa tesi, proponiamo un nuovo criterio di arresto per l’esplorazione, chiamato Early Stopping, che termina il processo esplorativo non quando l’intero ambiente è stato completamente osservato, ma quando tutte le aree non ancora esplorate rimanenti sono sufficientemente piccole e sparse da poter essere considerate irrilevanti. Il nostro metodo utilizza una CNN per identificare quando una mappa 2D può essere considerata esplorata, senza richiedere alcuna conoscenza a priori dell’ambiente. I nostri risultati sperimentali dimostrano che Early Stopping può ridurre significativamente il tempo di esplorazione, mantenendo al contempo una qualità della mappa finale quasi completa, con perdite minime anche in ambienti realistici.