GS-Planner: A Gaussian-Splatting-based Planning Framework for Active High-Fidelity Reconstruction

活动重建技术使机器人能够自主收集场景数据以实现全面覆盖，从而使用户摆脱了繁琐而耗时的数据捕捉过程。然而，由于现有方法基于不适合的场景表示设计，因此显示出不真实的重建结果或无法进行在线质量评估。由于明确辐射场技术的最近进展，在线主动高保真重建已成为可能。本文提出了GS-Planner，一种使用3D高斯喷洒的主动高保真重建规划框架。通过改进3DGS以识别未观察到的区域，我们在线评估3DGS地图的重建质量和完整性以指导机器人。然后，我们设计了一种基于采样的主动重建策略来探索未观察到的区域并提高重建几何和纹理质量。为了建立完整的机器人主动重建系统，我们选择四旋翼作为机器人平台，因为它具有高敏捷性。然后，我们利用3DGS制定安全约束，生成可执行的四旋翼导航轨迹。为了验证我们的方法的有效性，我们在高度逼真的模拟场景中进行了大量实验和消融研究。

本论文旨在解决现有基于不合适场景表示的主动重建技术存在的不真实重建结果或无法进行在线质量评估的问题，提出了一种基于3D高斯光斑的主动高保真重建规划框架。

论文提出的方案关键思路是通过改进3D高斯光斑技术，实现对未观测区域的识别，进而在线评估重建质量和完整性，以此指导机器人的主动重建策略。同时，通过设计安全约束和采用四旋翼作为机器人平台，实现了完整的机器人主动重建系统。

论文设计了实验来验证方法的有效性，包括在高度真实的仿真场景下进行的实验和消融研究。此外，论文还介绍了使用的数据集和开源代码，并探讨了未来的研究方向。

在最近的相关研究中，有一些与本论文相关的研究，如“基于深度学习的主动重建技术”和“高保真重建技术的实时评估方法”。