Splat-Nav: Safe Real-Time Robot Navigation in Gaussian Splatting Maps

我们提出了Splat-Nav，这是一个导航流水线，由实时安全规划模块和鲁棒状态估计模块组成，旨在在高斯喷溅（GSplat）环境表示中运行，这是一种流行的计算机视觉新兴3D场景表示。我们制定了严格的碰撞约束条件，可以快速计算，以构建通过地图的保证安全的多面体走廊。然后，我们通过这个走廊优化B样条轨迹。我们还通过将GSplat表示解释为点云，开发了实时的、鲁棒的状态估计模块。该模块使机器人能够使用点云对齐从RGB-D图像中定位其全局姿态，而不需要任何先前的知识，并使用图像到点云的本地化来跟踪其自身姿态，当它通过RGB图像在场景中移动时。我们还将语义结合到GSplat中，以获得更好的用于本地化的图像。所有这些模块主要在CPU上运行，释放GPU资源用于实时场景重建等任务。我们在模拟和硬件中展示了我们的流水线的安全性和鲁棒性，其中我们展示了5 Hz的重新规划和20 Hz的姿态估计，比基于神经辐射场（NeRF）的导航方法快一个数量级，从而实现了实时导航。

论文提出了Splat-Nav，一个实时安全的导航系统，旨在解决在Gaussian Splatting（GSplat）环境表示下的导航问题。

论文的关键思路是将GSplat表示解释为点云，并通过构建通过地图的保证安全的多面体走廊来优化B样条轨迹。此外，论文还开发了一个实时的、鲁棒的状态估计模块，通过点云对齐来实现零先验知识的全局姿态定位，并使用图像到点云的定位来跟踪机器人在场景中的姿态。

论文的亮点包括：在CPU上运行的所有模块，释放GPU资源以进行实时场景重建；在模拟和硬件上展示了导航的安全性和鲁棒性；实现了5 Hz的重新规划和20 Hz的姿态估计，比基于NeRF的导航方法快一个数量级。

与本文相关的研究包括：使用深度学习的导航方法，如NeRF-based方法；使用点云的导航方法，如PointNav和PolarNav。