随着并行计算和GPU加速的进步，计算密集型学习问题如主动SLAM迎来了新的机遇。主动SLAM通过选择行动来减少不确定性并改善联合地图构建和定位。然而，现有的基于深度强化学习（DRL）的方法受到可扩展并行训练能力不足的限制。为了解决这一挑战，提出了一种可扩展的端到端DRL框架，用于主动SLAM，支持大规模并行训练。与现有最先进的方法相比，该方法显著减少了训练时间，支持连续动作空间，并促进了更现实场景...