본 논문은 복잡하고 알려지지 않은 환경에서의 일반화 가능한 능동 매핑이라는 모바일 로봇의 중요한 과제를 다룬다. 기존 방법들은 부족한 훈련 데이터와 보수적인 탐험 전략으로 인해 다양한 레이아웃과 복잡한 연결성을 가진 여러 장면에서 일반화 능력이 제한적이다. 이를 해결하기 위해, 합성 및 실제 스캔 데이터셋으로부터 생성된 1,152개의 다양한 3D 장면을 포함하는 최초의 대규모 벤치마크인 GLEAM-Bench를 제시한다. 이를 기반으로, 능동 매핑을 위한 통합 일반화 탐험 정책인 GLEAM을 제안한다. GLEAM의 우수한 일반화 능력은 의미론적 표현, 장기간 항해 가능한 목표, 그리고 무작위 전략에서 주로 비롯된다. 128개의 미지의 복잡한 장면에서 최첨단 방법들을 상당히 능가하여, 효율적인 궤적과 향상된 매핑 정확도로 66.50%의 적용 범위(+9.49%)를 달성한다.
