Splatblox: Traversability-Aware Gaussian Splatting for Outdoor Robot Navigation
作者: Samarth Chopra, Jing Liang, Gershom Seneviratne, Yonghan Lee, Jaehoon Choi, Jianyu An, Stephen Cheng, Dinesh Manocha
分类: cs.RO, cs.CV
发布日期: 2025-11-23
备注: Submitted to ICRA 2026
💡 一句话要点
提出Splatblox以解决户外机器人导航中的可通行性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知 (Perception & SLAM)
关键词: 户外机器人导航 高斯点云 可通行性判断 实时系统 语义推理 LiDAR融合 四足机器人 路径规划
📋 核心要点
- 现有方法在复杂户外环境中导航时，难以有效区分可通行区域与障碍物，导致导航失败或效率低下。
- Splatblox通过融合RGB图像和LiDAR点云，构建可通行性意识的ESDF，支持实时的语义推理和几何覆盖。
- 实验结果显示，Splatblox在多种植被丰富的场景中表现优异，成功率和效率均显著提升。
📝 摘要（中文）
我们提出了Splatblox，这是一个实时系统，旨在解决户外环境中自主导航的问题，尤其是在密集植被、不规则障碍物和复杂地形下。该方法通过高斯点云融合分割的RGB图像和LiDAR点云，构建了一个可通行性意识的欧几里得有符号距离场（ESDF），该场同时编码几何和语义信息。该场在线更新，支持语义推理，以区分可通行的植被（如高草）与刚性障碍物（如树木），而LiDAR则确保360度的几何覆盖，支持更长的规划视野。我们在四足机器人上验证了Splatblox，并展示了其在轮式平台上的迁移能力。在植被丰富的场景中，Splatblox的成功率比现有最先进方法高出50%以上，冻结事件减少40%，路径缩短5%，到达目标的时间提高了13%，同时支持长达100米的远程任务。
🔬 方法详解
问题定义：本论文旨在解决户外机器人在复杂环境中导航时的可通行性判断问题。现有方法在处理密集植被和不规则障碍物时，往往无法准确区分可通行区域与障碍物，导致导航失败或效率低下。
核心思路：Splatblox的核心思路是通过高斯点云融合分割的RGB图像和LiDAR点云，构建一个可通行性意识的欧几里得有符号距离场（ESDF）。这种设计使得系统能够实时更新并进行语义推理，从而有效区分可通行的植被和刚性障碍物。
技术框架：Splatblox的整体架构包括数据采集模块（RGB图像和LiDAR点云）、数据融合模块（高斯点云融合）、ESDF构建模块（生成可通行性意识的距离场）以及导航决策模块（基于ESDF进行路径规划）。
关键创新：Splatblox的主要创新在于其通过高斯点云融合实现的可通行性意识的ESDF构建。这一方法与现有方法的本质区别在于，它不仅考虑几何信息，还融合了语义信息，从而提高了导航的准确性和效率。
关键设计：在技术细节上，Splatblox采用了特定的高斯核函数进行点云融合，并设计了适应性损失函数以优化ESDF的构建。此外，网络结构中引入了多层次特征提取，以增强对复杂环境的适应能力。
📊 实验亮点
实验结果表明，Splatblox在植被丰富的场景中成功率提高超过50%，冻结事件减少40%，路径缩短5%，到达目标的时间提高了13%。这些数据表明，Splatblox在户外机器人导航中的表现优于现有最先进的方法，具有显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括自主机器人导航、农业机器人、灾后救援等场景。通过提高机器人在复杂户外环境中的导航能力，Splatblox能够显著提升机器人在实际任务中的效率和成功率，具有重要的实际价值和未来影响。
📄 摘要（原文）
We present Splatblox, a real-time system for autonomous navigation in outdoor environments with dense vegetation, irregular obstacles, and complex terrain. Our method fuses segmented RGB images and LiDAR point clouds using Gaussian Splatting to construct a traversability-aware Euclidean Signed Distance Field (ESDF) that jointly encodes geometry and semantics. Updated online, this field enables semantic reasoning to distinguish traversable vegetation (e.g., tall grass) from rigid obstacles (e.g., trees), while LiDAR ensures 360-degree geometric coverage for extended planning horizons. We validate Splatblox on a quadruped robot and demonstrate transfer to a wheeled platform. In field trials across vegetation-rich scenarios, it outperforms state-of-the-art methods with over 50% higher success rate, 40% fewer freezing incidents, 5% shorter paths, and up to 13% faster time to goal, while supporting long-range missions up to 100 meters. Experiment videos and more details can be found on our project page: https://splatblox.github.io