天津大学团队提出 FAME：用 Flow Matching 生成多探索目标，为机器人主动三维建图
这篇论文指出：在未知环境里，长期探索目标不止一个方向。团队让模型一次生成多个候选目标，再分层筛选，且跨场景泛化表现优于单目标基线。
机器人进入陌生建筑时，视野有限，很难判断哪条通道通向更大的空间。现有主动三维建图方法通常只预测一个长期探索目标，一旦预测方向出错，就可能遗漏其他区域。天津大学与合肥工业大学团队提出 FAME：它用 Conditional Flow Matching（条件流匹配，一种从噪声逐步生成样本的生成建模方法）一次生成多个候选锚点（Anchor），再由 A 路径规划器计算到达各锚点的路线，并对相似路线聚类，最后分两层选择，先确定探索模式，再确定具体路线。该论文已被 NeurIPS 2026 接收，并入选 Spotlight。
正文摘录
.jpg)  该论文第一作者为李阳，天津大学人工智能学院 2026 级博士生，师从韩亚洪教授，主要研究方向为具身智能，相关研究成果发表于 CVPR、NeurIPS、TPAMI 等国际顶级会议及期刊。本研究由天津大学与合肥工业大学团队合作完成。实验室主页： https://tjumm.github.io/ 想象一下，一台机器人正在探索一栋从未进入过的建筑。 它已经走过一段走廊，眼前出现几个不同方向的通道。但由于视野有限，机器人并不知道哪条路通向更大的空间，哪条路可能是死胡同，也不知道尚未探索的区域究竟是什么结构。 这时，它该往哪里走？ 目前，许多学习型主动三维建图方法，往往只预测一个长期探索目标，再据此规划路径。 问题在于： 当机器人对未知环境了解得还不够多时，为什么一定要提前押注一个方向？ 针对这一问题，天津大学与合肥工业大学研究团队提出了 FAME（Flow-driven Anchor-based Multimodal Exploration） 。