天大与合工大团队提出具身智能探索方法FAME，入选NeurIPS 2026 Spotlight

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，利用Conditional Flow Matching同时生成多个探索目标，帮助机器人在未知环境中规划路径。该成果已被NeurIPS 2026接收，并进一步入选Spotlight（亮点论文）。本届会议共录用7900篇论文，其中292篇入选Spotlight，约占3.7%。

主动三维建图要求机器人根据观测恢复环境结构，并自主决定下一步采集信息的位置。传统方法往往只预测一个长期探索目标，而在部分可观测条件下，同一状态可能对应多个合理的探索方向，单目标预测容易得到目标的平均位置，甚至可能落在障碍物区域。FAME从随机噪声出发，根据当前已构建地图逐步生成多个不同位置和朝向的探索锚点，每个锚点代表一个可能的长期探索方向。

生成多个目标后，FAME使用基于A*的路径规划器为每个锚点生成候选路径，并根据路径终点、几何形状、绕障拓扑等信息对相似路径聚类，再通过“先选探索模式、再选具体路线”的分层选择机制确定最终路线。研究团队在AiMDoom和Matterport3D两个基准上进行了实验，FAME在最终覆盖率、AUC等指标上优于对比方法；在跨数据集迁移（AiMDoom→MP3D）设置下，重建完成率达68.45%，相比NBP提高6.64个百分点。

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，研究方向为具身智能。