3DGS_LSR:Large_Scale Relocation for Autonomous Driving Based on 3D Gaussian Splatting
作者: Haitao Lu, Haijier Chen, Haoze Liu, Shoujian Zhang, Bo Xu, Ziao Liu
分类: cs.RO, cs.CV
发布日期: 2025-07-08
备注: 13 pages,7 figures,4 tables
💡 一句话要点
提出基于3D高斯溅射的大规模重定位方法，解决自动驾驶中GNSS失效时的定位问题。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 重定位 自动驾驶 单目视觉 特征匹配
📋 核心要点
- 在复杂城市环境中，GNSS定位常受信号遮挡和多径效应影响，导致定位不可靠，传统地图方法受存储和计算效率限制。
- 利用3D高斯溅射，结合多传感器数据构建高精度地图，通过单目图像和迭代优化策略实现厘米级定位。
- 在KITTI数据集上，该方法在不同道路场景下均实现了优于其他方法的定位精度，证明了其有效性。
📝 摘要（中文）
本文提出了一种名为3DGS-LSR的大规模重定位框架，该框架利用3D高斯溅射（3DGS），仅使用客户端的单目RGB图像即可实现厘米级的定位，适用于自动驾驶系统。该方法结合多传感器数据构建高精度的大型户外场景3DGS地图，而机器人端定位仅需标准相机输入。通过SuperPoint和SuperGlue进行特征提取和匹配，核心创新在于迭代优化策略，通过逐步渲染来优化定位结果，使其适用于实时自主导航。在KITTI数据集上的实验验证表明，3DGS-LSR在城镇道路、林荫大道和交通繁忙的高速公路上的平均定位精度分别达到0.026米、0.029米和0.081米，显著优于其他代表性方法，且仅需单目RGB输入。该方法为自主机器人提供了可靠的定位能力，即使在GNSS失效的复杂城市环境中也能有效工作。
🔬 方法详解
问题定义：在复杂的城市环境中，自动驾驶系统依赖于精确的定位。然而，GNSS定位经常受到信号遮挡和多径效应的影响，导致定位精度下降甚至失效。传统基于地图的定位方法，如激光雷达地图或视觉地图，通常需要大量的存储空间和计算资源，难以在资源受限的机器人平台上部署。因此，如何在GNSS失效的情况下，利用有限的计算资源实现高精度的定位是一个关键问题。
核心思路：本文的核心思路是利用3D高斯溅射（3DGS）技术，将场景表示为一组带有属性的高斯球，从而实现高效的地图存储和渲染。通过将多传感器数据融合构建高精度的3DGS地图，并在机器人端仅使用单目RGB图像进行定位。定位过程采用迭代优化策略，通过逐步渲染和特征匹配来不断优化定位结果，从而提高定位精度和鲁棒性。
技术框架：该方法的整体框架包括两个主要阶段：地图构建阶段和定位阶段。在地图构建阶段，利用多传感器数据（如激光雷达、GPS、IMU等）构建高精度的3DGS地图。在定位阶段，机器人端仅需单目RGB图像作为输入，首先使用SuperPoint和SuperGlue进行特征提取和匹配，然后通过迭代优化策略，将提取的特征与3DGS地图进行匹配，逐步优化机器人的位姿估计。
关键创新：该方法最重要的技术创新点在于将3DGS技术应用于大规模场景的重定位，并提出了一种迭代优化策略。与传统的基于点云或网格地图的定位方法相比，3DGS具有更高效的存储和渲染能力，能够更好地适应大规模场景。迭代优化策略通过逐步渲染和特征匹配，能够有效地提高定位精度和鲁棒性。
关键设计：在地图构建阶段，需要仔细校准多传感器数据，以保证地图的精度。在定位阶段，SuperPoint和SuperGlue的参数需要根据具体场景进行调整，以获得最佳的特征提取和匹配效果。迭代优化策略中的步长和迭代次数也需要根据实际情况进行调整，以平衡定位精度和计算效率。损失函数的设计也至关重要，需要综合考虑特征匹配误差、几何约束等因素。
📊 实验亮点
实验结果表明，3DGS-LSR在KITTI数据集上取得了显著的定位精度提升。在城镇道路、林荫大道和交通繁忙的高速公路上的平均定位精度分别达到0.026米、0.029米和0.081米，优于其他代表性方法。尤其是在GNSS信号较差的高速公路场景下，该方法的优势更加明显。此外，该方法仅需单目RGB图像作为输入，降低了对硬件的要求。
🎯 应用场景
该研究成果可广泛应用于自动驾驶、机器人导航、增强现实等领域。在自动驾驶领域，该方法可以在GNSS信号弱或失效的情况下，为车辆提供可靠的定位信息，提高行驶安全性。在机器人导航领域，该方法可以帮助机器人在复杂的室内或室外环境中进行自主导航。在增强现实领域，该方法可以用于精确的场景重建和虚拟物体的定位。
📄 摘要（原文）
In autonomous robotic systems, precise localization is a prerequisite for safe navigation. However, in complex urban environments, GNSS positioning often suffers from signal occlusion and multipath effects, leading to unreliable absolute positioning. Traditional mapping approaches are constrained by storage requirements and computational inefficiency, limiting their applicability to resource-constrained robotic platforms. To address these challenges, we propose 3DGS-LSR: a large-scale relocalization framework leveraging 3D Gaussian Splatting (3DGS), enabling centimeter-level positioning using only a single monocular RGB image on the client side. We combine multi-sensor data to construct high-accuracy 3DGS maps in large outdoor scenes, while the robot-side localization requires just a standard camera input. Using SuperPoint and SuperGlue for feature extraction and matching, our core innovation is an iterative optimization strategy that refines localization results through step-by-step rendering, making it suitable for real-time autonomous navigation. Experimental validation on the KITTI dataset demonstrates our 3DGS-LSR achieves average positioning accuracies of 0.026m, 0.029m, and 0.081m in town roads, boulevard roads, and traffic-dense highways respectively, significantly outperforming other representative methods while requiring only monocular RGB input. This approach provides autonomous robots with reliable localization capabilities even in challenging urban environments where GNSS fails.