SAFER-Splat: A Control Barrier Function for Safe Navigation with Online Gaussian Splatting Maps
作者: Timothy Chen, Aiden Swann, Javier Yu, Ola Shorinwa, Riku Murai, Monroe Kennedy, Mac Schwager
分类: cs.RO
发布日期: 2024-09-15 (更新: 2025-03-17)
备注: Accepted to International Conference on Robotics and Automation
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
SAFER-Splat：基于高斯溅射地图的安全导航控制屏障函数
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 安全导航 控制屏障函数 高斯溅射 机器人 实时重建 无人机 动作过滤
📋 核心要点
- 现有基于神经辐射场的方法在安全导航方面计算成本高昂，难以实时应用。
- SAFER-Splat 提出了一种基于控制屏障函数的新方法，利用高斯溅射地图实现安全导航。
- 实验表明，该方法比现有方法更快、更安全、更保守，并在无人机上进行了验证。
📝 摘要（中文）
SAFER-Splat (同步动作过滤与环境重建) 是一种实时的、可扩展的、最小侵入性的动作过滤器，它基于控制屏障函数，用于在运行时使用高斯溅射 (GSplat) 构建的详细地图中进行安全机器人导航。我们提出了一种新颖的控制屏障函数 (CBF)，它不仅能保证场景中所有高斯图元的安全性，而且在合成到控制器中时，能够处理数十万个高斯图元，同时保持最小的内存占用，并在在线 Splat 训练期间以 15 Hz 的频率运行。在总计算时间中，只有一小部分消耗 GPU 资源，从而实现不间断的训练。安全层是最小侵入性的，仅在机器人动作不安全时才进行校正。为了展示安全过滤器，我们还推出了 SplatBridge，这是一个用 ROS 构建的开源软件包，用于机器人的实时 GSplat 映射。我们首先在仿真中展示了我们管道的安全性与鲁棒性，我们的方法比基于神经辐射场的竞争方法快 20-50 倍，更安全，也更保守。此外，我们还在无人机硬件平台上，仅使用板载感知，演示了同步 GSplat 映射和安全过滤。我们验证了在远程操作下，人类飞行员无法引发碰撞。我们的视频和代码库可以在 https://chengine.github.io/safer-splat 找到。
🔬 方法详解
问题定义：论文旨在解决机器人如何在利用高斯溅射（GSplat）实时构建的地图中安全导航的问题。现有方法，特别是基于神经辐射场（NeRF）的方法，计算量大，难以满足实时性要求，并且可能过于保守，限制了机器人的运动自由度。
核心思路：论文的核心思路是利用控制屏障函数（CBF）来设计一个安全过滤器，该过滤器能够实时评估机器人的动作是否安全，并在必要时进行修正，以避免碰撞。关键在于将CBF与GSplat地图相结合，利用GSplat的快速渲染能力和紧凑的表示形式，实现高效的安全评估。
技术框架：SAFER-Splat的整体框架包括以下几个主要模块：1) 使用GSplat进行环境重建，实时构建场景的三维地图。2) 基于控制屏障函数（CBF）的安全过滤器，该过滤器以GSplat地图和机器人的当前状态作为输入，输出一个安全的动作集合。3) 动作选择器，从安全动作集合中选择一个最优的动作执行。SplatBridge是一个ROS软件包，用于连接GSplat和机器人控制系统。
关键创新：该方法最重要的创新点在于将控制屏障函数与高斯溅射地图相结合，实现了一种高效、实时的安全导航方案。与传统的基于NeRF的方法相比，GSplat具有更快的渲染速度和更小的内存占用，使得安全评估能够在线进行，并支持大规模场景。此外，该CBF的设计能够处理大量的Gaussian primitives，同时保持较低的计算复杂度。
关键设计：CBF的设计是关键。它需要考虑所有高斯图元对机器人安全的影响，并确保在任何时候机器人都不会与环境发生碰撞。论文可能涉及的关键参数包括：高斯图元的大小、位置和协方差矩阵；机器人的形状和运动学模型；安全距离阈值；以及CBF的参数，例如权重和梯度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SAFER-Splat 在仿真环境中比基于神经辐射场的竞争方法快 20-50 倍，并且更安全、更保守。在无人机硬件平台上，该方法能够实时进行 GSplat 映射和安全过滤，并成功避免了人为遥控操作下的碰撞。这些结果验证了 SAFER-Splat 的有效性和鲁棒性。
🎯 应用场景
SAFER-Splat 可应用于各种需要安全导航的机器人场景，例如无人机自主飞行、自动驾驶、仓储机器人等。该方法能够提高机器人在复杂环境中的安全性，降低碰撞风险，并提高导航效率。此外，该研究为实时三维重建和安全控制的结合提供了一种新的思路，具有重要的学术价值。
📄 摘要（原文）
SAFER-Splat (Simultaneous Action Filtering and Environment Reconstruction) is a real-time, scalable, and minimally invasive action filter, based on control barrier functions, for safe robotic navigation in a detailed map constructed at runtime using Gaussian Splatting (GSplat). We propose a novel Control Barrier Function (CBF) that not only induces safety with respect to all Gaussian primitives in the scene, but when synthesized into a controller, is capable of processing hundreds of thousands of Gaussians while maintaining a minimal memory footprint and operating at 15 Hz during online Splat training. Of the total compute time, a small fraction of it consumes GPU resources, enabling uninterrupted training. The safety layer is minimally invasive, correcting robot actions only when they are unsafe. To showcase the safety filter, we also introduce SplatBridge, an open-source software package built with ROS for real-time GSplat mapping for robots. We demonstrate the safety and robustness of our pipeline first in simulation, where our method is 20-50x faster, safer, and less conservative than competing methods based on neural radiance fields. Further, we demonstrate simultaneous GSplat mapping and safety filtering on a drone hardware platform using only on-board perception. We verify that under teleoperation a human pilot cannot invoke a collision. Our videos and codebase can be found at https://chengine.github.io/safer-splat.