[论文解读] HouseExpo: A Large-scale 2D Indoor Layout Dataset for Learning-based Algorithms on Mobile Robots

Tingguang Li, Danny Ho+4 more|arXiv (Cornell University)|Mar 23, 2019

Robotics and Sensor-Based Localization参考文献 24被引用 8

一句话总结

本文提出了HouseExpo，一个大规模的2D室内布局数据集，包含35,126张平面图和252,550个房间，以及PseudoSLAM，一个轻量级、兼容Gym的仿真平台，用于加速移动机器人领域的深度强化学习（DRL）训练。该框架实现了从仿真到真实世界任务的有效策略迁移，在障碍物避让和自主探索任务中表现出极强的泛化能力，且仅需极少的真实世界微调。

ABSTRACT

As one of the most promising areas, mobile robots draw much attention these years. Current work in this field is often evaluated in a few manually designed scenarios, due to the lack of a common experimental platform. Meanwhile, with the recent development of deep learning techniques, some researchers attempt to apply learning-based methods to mobile robot tasks, which requires a substantial amount of data. To satisfy the underlying demand, in this paper we build HouseExpo, a large-scale indoor layout dataset containing 35,126 2D floor plans including 252,550 rooms in total. Together we develop Pseudo-SLAM, a lightweight and efficient simulation platform to accelerate the data generation procedure, thereby speeding up the training process. In our experiments, we build models to tackle obstacle avoidance and autonomous exploration from a learning perspective in simulation as well as real-world experiments to verify the effectiveness of our simulator and dataset. All the data and codes are available online and we hope HouseExpo and Pseudo-SLAM can feed the need for data and benefits the whole community.

研究动机与目标

• 解决当前缺乏大规模、多样化2D室内布局数据集以训练基于学习的移动机器人算法的问题。
• 通过开发一种快速、轻量级的仿真平台，克服基于SLAM的仿真器在深度强化学习中带来的计算瓶颈。
• 实现在无需微调的情况下，将仿真中的策略有效迁移到真实世界移动机器人应用中。
• 评估拓扑结构与空间结构信息在引导自主探索和障碍物避让任务中的作用。
• 提供一个公开可用的数据集和仿真平台，以加速机器人学习与导航领域的研究。

提出的方法

• HouseExpo基于SUNCG数据集构建，经筛选后包含35,126张由人类设计的2D平面图，涵盖多样化的空间结构与房间连通性。
• PseudoSLAM是一个兼容Gym的仿真平台，通过预加载的HouseExpo地图，模拟2D环境中的SLAM与机器人导航行为。
• 该仿真器生成状态观测（机器人周围的局部地图）和奖励信号，基于探索进度或避障表现，支持DRL训练。
• 采用近端策略优化（PPO）在仿真中训练DRL策略，状态输入为局部2D占据栅格，动作定义为离散的移动与旋转指令。
• 在仿真环境和TurtleBot真实机器人上评估策略性能，以衡量零样本迁移能力。
• 在探索过程中利用拓扑结构信息，通过全局布局信息引导智能体朝向未探索区域移动，即使仅依赖局部观测也有效。

实验结果

研究问题

• RQ1 大规模、多样化的2D室内布局数据集能否提升基于学习的移动机器人策略的泛化能力？
• RQ2 像PseudoSLAM这样的轻量级仿真平台，是否能显著加速DRL训练，相比传统基于SLAM的仿真器？
• RQ3 在无需微调的情况下，仿真中训练的策略在真实世界移动机器人任务中能实现多大程度的有效迁移？
• RQ4 在自主探索任务中，引入拓扑布局信息在多大程度上能提升性能？
• RQ5 平面图中的空间结构与连通性是否能有效引导未知环境中的高效导航与探索？

主要发现

• 障碍物避让策略在3个测试场景中仅发生2次碰撞，表现出稳定性能，证明其在复杂环境中的鲁棒性与泛化能力。
• 轨迹长度随环境复杂度增加，表明机器人能自适应调整行为，以安全方式穿越复杂空间。
• 在自主探索任务中，DRL智能体在10,538个测试房屋中探索的区域显著多于随机策略，性能持续优于基线方法。
• 平滑后的探索结果表明，无论房屋大小如何，智能体的性能始终高于随机策略，证明其有效利用了空间结构信息。
• 在仿真中训练的策略无需微调即可成功迁移到真实世界TurtleBot上，在物理环境中实现有效导航与探索。
• 结果证实，即使仅依赖局部观测，2D布局中的拓扑信息也能有效引导探索，提升长期规划能力。