Active SLAM คือกระบวนการที่หุ่นยนต์เลือกการเคลื่อนที่เพื่อลดความไม่แน่นอนในการสร้างแผนที่และการระบุตำแหน่งของตนเอง ซึ่งมักเป็นงานที่ใช้ทรัพยากรคำนวณสูง งานวิจัยนี้แก้ปัญหานี้ด้วยการเสนอเฟรมเวิร์ก Deep Reinforcement Learning (DRL) ที่รองรับการฝึกฝนแบบขนานขนาดใหญ่ (Massively Parallel Training) โดยใช้ประสิทธิภาพจาก GPU Acceleration
เฟรมเวิร์กใหม่นี้ช่วยให้นักวิจัยสามารถฝึกโมเดลในพื้นที่การกระทำแบบต่อเนื่อง (Continuous Action Spaces) ได้ และยังสามารถทดสอบในสภาพแวดล้อมที่ซับซ้อนและสมจริงได้มากกว่าวิธีเดิมๆ โดยทีมวิจัยได้ปล่อยโค้ดนี้เป็นโอเพนซอร์สเพื่อให้นักพัฒนาคนอื่นๆ นำไปใช้งานต่อได้ทันที
