3D Gaussian Splatting in Robotics: A Survey

环境的密集3D表示一直是机器人领域的长期目标。虽然先前的神经辐射场（NeRF）表示因其隐式的、基于坐标的模型而广受欢迎，但最近出现的3D高斯点绘（3DGS）在显式辐射场表示方面展示了显著的潜力。通过利用3D高斯基元进行显式场景表示并实现可微渲染，3DGS在实时渲染和照片级真实性能方面表现出显著优势，这对机器人应用非常有利。在这篇综述中，我们对机器人领域中的3DGS提供了全面的理解。我们将相关工作的讨论分为两个主要类别：3DGS的应用和3DGS技术的进步。在应用部分，我们探讨了3DGS如何在各种机器人任务中从场景理解和交互的角度被利用。3DGS进展部分则关注其自身属性在适应性和效率方面的改进，旨在提高其在机器人领域的性能。然后，我们总结了机器人领域中最常用的数据集和评估指标。最后，我们指出了当前3DGS方法面临的挑战和局限性，并讨论了3DGS在机器人领域的未来发展方向。

该论文旨在探讨3D Gaussian Splatting (3DGS) 在机器人领域的应用及其技术进步。具体来说，它试图解决如何利用3DGS在实时渲染和照片级真实感表现方面超越其他辐射场表示方法的问题，以提升机器人任务的性能。

论文的关键思路是通过3D Gaussian 原语的显式场景表示和可微分渲染，展示3DGS在实时渲染和照片级真实感方面的显著优势。与传统的隐式坐标模型（如NeRF）相比，3DGS提供了一种更高效、更灵活的解决方案，特别是在机器人应用场景中。

论文详细讨论了3DGS在机器人任务中的多种应用，包括场景理解和交互。此外，论文还介绍了3DGS技术的最新进展，特别是在适应性和效率方面的改进。实验部分使用了多个常用数据集，并提供了详细的评估指标。论文还开源了相关代码，便于后续研究者复现和进一步探索。未来的研究方向包括提高3DGS在复杂环境中的鲁棒性和实时性。

近期在这个领域中，相关研究包括：1.《Neural Radiance Fields for View Synthesis》(NeRF)，提出了基于神经网络的隐式场景表示方法；2.《Instant Neural Graphics Primitives with a Multiresolution Hash Encoding》(Instant-NGP)，通过多分辨率哈希编码加速了NeRF的训练和推理；3.《Plenoxels: Radiance Fields without Neural Networks》(Plenoxels)，提出了一种基于体素的显式场景表示方法。这些研究为3DGS的发展提供了重要的基础和参考。