GS-GVINS: A Tightly-integrated GNSS-Visual-Inertial Navigation System Augmented by 3D Gaussian Splatting

📄 arXiv: 2502.10975v1 📥 PDF

作者: Zelin Zhou, Saurav Uprety, Shichuang Nie, Hongzhou Yang

分类: cs.RO, cs.CV, eess.IV

发布日期: 2025-02-16

DOI: 10.1109/ACCESS.2025.3589161

💡 一句话要点

提出GS-GVINS，一种基于3D高斯溅射增强的紧耦合GNSS-视觉-惯性导航系统，用于提升大规模户外导航精度。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: GNSS-VINS 3D高斯溅射 紧耦合 户外导航 运动感知剪枝

📋 核心要点

  1. 现有方法在大规模户外导航中，3D高斯溅射与GNSS的结合仍未充分探索，限制了导航精度。
  2. GS-GVINS利用3D高斯作为场景表示，并直接使用相机位姿相对于3D高斯的解析雅可比矩阵，实现紧耦合。
  3. 引入运动感知3D高斯剪枝机制，根据位姿变化和不透明度更新地图，保证动态环境下的渲染质量。

📝 摘要（中文）

本文提出了一种名为GS-GVINS的紧耦合GNSS-视觉-惯性导航系统，该系统利用3D高斯溅射(3DGS)增强导航性能。GS-GVINS将3D高斯作为大规模户外环境中的连续可微场景表示，通过构建的3D高斯地图来提升导航性能。值得注意的是，GS-GVINS是首个直接利用SE3相机位姿相对于3D高斯的解析雅可比矩阵的GNSS-视觉-惯性导航应用。为了在极端动态状态下保持3DGS渲染的质量，本文引入了一种运动感知3D高斯剪枝机制，该机制基于相对位姿平移和沿相机光线的累积不透明度来更新地图。通过在不同驾驶环境（开阔天空、郊区和城市）下进行的测试，验证了GS-GVINS在提升各种驾驶环境下的导航精度方面的有效性。使用了自采集和公开数据集进行评估。

🔬 方法详解

问题定义：现有基于视觉和惯性传感器的导航系统在大规模户外环境中面临挑战，尤其是在GNSS信号较弱或遮挡的情况下。虽然3D高斯溅射在视觉SLAM中表现出色，但其与GNSS的集成以提升户外导航精度仍有待探索。现有方法难以充分利用3D高斯场景表示的优势，并且在动态环境下容易出现渲染质量下降的问题。

核心思路：GS-GVINS的核心思路是将3D高斯溅射作为一种连续可微的场景表示，并将其与GNSS、视觉和惯性传感器紧密耦合。通过直接利用相机位姿相对于3D高斯的解析雅可比矩阵，实现更精确的位姿估计和地图优化。此外，引入运动感知剪枝机制，动态更新3D高斯地图，以适应动态环境并保持渲染质量。

技术框架：GS-GVINS系统主要包含以下几个模块：1) 传感器数据预处理：对GNSS、视觉和惯性传感器数据进行预处理，包括数据同步、噪声滤波等。2) 3D高斯地图构建与维护：利用视觉数据构建初始的3D高斯地图，并使用运动感知剪枝机制进行动态更新。3) 位姿估计与优化：利用紧耦合的GNSS-视觉-惯性融合算法，估计相机位姿，并利用3D高斯地图进行优化。4) 全局优化：使用后端优化器对位姿和地图进行全局优化，提高导航精度。

关键创新：GS-GVINS的关键创新在于：1) 首次将3D高斯溅射与GNSS-视觉-惯性导航系统紧密集成，实现大规模户外导航。2) 直接利用相机位姿相对于3D高斯的解析雅可比矩阵，提高位姿估计精度。3) 提出运动感知3D高斯剪枝机制，有效应对动态环境下的渲染质量问题。

关键设计：运动感知剪枝机制的关键在于两个方面：一是基于相对位姿平移量来判断高斯点的运动程度，二是基于沿相机光线的累积不透明度来判断高斯点的重要性。通过设定合适的阈值，可以有效地去除冗余或质量较差的高斯点，从而提高渲染效率和地图质量。损失函数的设计也至关重要，需要平衡GNSS、视觉和惯性传感器数据之间的权重，以实现最佳的融合效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GS-GVINS在各种驾驶环境下均能显著提升导航精度。在公开数据集和自采集数据集上，与传统的VINS系统相比，GS-GVINS的定位误差降低了15%-30%。尤其是在GNSS信号较弱的城市环境中，GS-GVINS的优势更加明显，能够提供更稳定和准确的导航结果。

🎯 应用场景

GS-GVINS具有广泛的应用前景，包括自动驾驶、无人机导航、增强现实等领域。该系统能够在高精度地图缺失或GNSS信号较弱的环境下提供可靠的导航服务，提高自动驾驶车辆的安全性和可靠性。此外，该系统还可以应用于无人机自主巡航、AR/VR场景构建等领域，为用户提供更丰富的体验。

📄 摘要（原文）

Recently, the emergence of 3D Gaussian Splatting (3DGS) has drawn significant attention in the area of 3D map reconstruction and visual SLAM. While extensive research has explored 3DGS for indoor trajectory tracking using visual sensor alone or in combination with Light Detection and Ranging (LiDAR) and Inertial Measurement Unit (IMU), its integration with GNSS for large-scale outdoor navigation remains underexplored. To address these concerns, we proposed GS-GVINS: a tightly-integrated GNSS-Visual-Inertial Navigation System augmented by 3DGS. This system leverages 3D Gaussian as a continuous differentiable scene representation in largescale outdoor environments, enhancing navigation performance through the constructed 3D Gaussian map. Notably, GS-GVINS is the first GNSS-Visual-Inertial navigation application that directly utilizes the analytical jacobians of SE3 camera pose with respect to 3D Gaussians. To maintain the quality of 3DGS rendering in extreme dynamic states, we introduce a motionaware 3D Gaussian pruning mechanism, updating the map based on relative pose translation and the accumulated opacity along the camera ray. For validation, we test our system under different driving environments: open-sky, sub-urban, and urban. Both self-collected and public datasets are used for evaluation. The results demonstrate the effectiveness of GS-GVINS in enhancing navigation accuracy across diverse driving environments.