長期間にわたって動作するロボットは、単に空間を訪れるだけでなく、その空間を徐々に理解していくべきである。しかし、現在の3Dシーングラフのパイプラインの多くは、知覚を固定データセットに対する後処理段階として扱い、シーン表現を、何を観測するかを決定する意思決定から切り離している。この問題に対して、研究チームはSCOUTを提案した。これは、アクティブなトラバーサルと確率的なシーングラフ構築を結合することでこのループを閉じる、オンライン意味探索フレームワークである。
SCOUTの動作原理は次の通りである。事前の2D占有マップと姿勢付きRGB-D観測が与えられると、システムは不確実性を考慮した3Dシーングラフを逐次的に構築する。グラフのノードは融合された幾何情報だけでなく、オープンボキャブラリの物体ラベルに対する事後信念も保持する。エッジは、「上にある」「内部にある」「属する」「隣接する」といった構造的関係を符号化する。これらの信念は不確実性誘導型のトラバーサルプランナにフィードバックされ、プランナは予想される意味的確実性の向上、幾何学的カバレッジの向上、移動コストのバランスを取ることによって次の視点を選択する。
この設計により、ロボットは追加の証拠が重要となる曖昧な物体を再訪し、シーンが不完全な場合には未探索の自由空間へと拡大することができる。これにより、SCOUTは意味的シーンの完全性を、意味マッピングの受動的な副産物ではなく、運用上の目標として扱う。この研究は、最小限の人間の介入で進化する屋内環境を巡回し、更新し、推論できる自律エージェントに向けた一歩である。本論文は2026年のICRAオープンワールドロボティクスにおける不確実性ワークショップに採択され、Junyu Maoら5名によって執筆され、2026年6月4日に提出された。ロボティクス（cs.RO）および人工知能（cs.AI）の分野に属する。