High-fidelity 3D reconstruction for planetary exploration

📄 arXiv: 2602.13909v1 📥 PDF

作者: Alfonso Martínez-Petersen, Levin Gerdes, David Rodríguez-Martínez, C. J. Pérez-del-Pulgar

分类: cs.RO, cs.CV

发布日期: 2026-02-14

备注: 7 pages, 3 figures, conference paper

期刊: IEEE Conference on Artificial Intelligence (CAI) 2026, Special Session on AI for Space Exploration

💡 一句话要点

提出基于NeRF和Gaussian Splatting的行星探测高保真3D重建方案

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)

关键词: 行星探测 三维重建 神经辐射场 NeRF Gaussian Splatting 自主导航 机器人视觉

📋 核心要点

  1. 行星探测任务中，漫游车需要在资源受限的环境下自主导航，传统SfM/SLAM方法难以兼顾几何精度和辐射细节。
  2. 论文提出将NeRF和Gaussian Splatting等辐射场方法融入行星探测的3D重建流程，提升重建质量和效率。
  3. 该系统集成了Nerfstudio、COLMAP和ROS2，可直接处理漫游车数据，生成高保真3D模型，为后续研究奠定基础。

📝 摘要（中文）

行星探测越来越依赖于自主机器人系统，这些系统需要在没有全球定位或与地球实时通信的情况下感知、解释和重建周围环境。在行星表面运行的漫游车必须在严苛的环境约束、有限的视觉冗余和通信延迟下导航，这使得车载空间感知和视觉定位成为任务成功的关键组成部分。传统的基于运动结构恢复(SfM)和同步定位与建图(SLAM)的技术提供了几何一致性，但难以捕捉辐射细节或在非结构化、低纹理的地形中有效地扩展，而这些地形是地外环境的典型特征。本研究探索了将基于辐射场的方法（特别是神经辐射场(NeRF)和高斯溅射）集成到一个统一的、自动化的环境重建流程中，用于行星机器人。我们的系统将Nerfstudio和COLMAP框架与ROS2兼容的工作流程相结合，能够直接处理来自rosbag记录的原始漫游车数据。这种方法能够从最少的视觉输入生成密集的、照片般逼真的和度量一致的3D表示，从而支持改进在类行星条件下运行的自主系统的感知和规划。由此产生的流程为未来基于辐射场的映射研究奠定了基础，弥合了几何表示和神经表示在行星探测中的差距。

🔬 方法详解

问题定义：行星探测任务中，漫游车需要在缺乏GPS和实时通信的条件下自主导航。传统基于SfM和SLAM的3D重建方法虽然能保证几何一致性，但在低纹理、光照条件恶劣的行星表面，难以捕捉到足够的辐射细节，重建效果不佳，且计算效率较低。

核心思路：论文的核心思路是将近年来兴起的神经辐射场（NeRF）和高斯溅射（Gaussian Splatting）等方法引入行星探测的3D重建流程中。这些方法能够从少量图像中学习场景的辐射场表示，从而生成高质量、照片般逼真的3D模型。同时，通过优化算法，可以实现高效的重建过程。

技术框架：该系统采用一个统一的自动化环境重建流程，主要包含以下几个阶段：1) 数据采集：从漫游车上的传感器获取原始图像数据，并存储为rosbag格式；2) 初始重建：使用COLMAP等传统SfM方法进行初始的稀疏重建，得到相机位姿和稀疏点云；3) 辐射场优化：利用Nerfstudio框架，结合NeRF或Gaussian Splatting等方法，对初始重建结果进行优化，学习场景的辐射场表示；4) 3D模型生成：从学习到的辐射场中渲染出密集的点云或网格模型，得到最终的3D重建结果。整个流程与ROS2兼容，方便集成到现有的机器人系统中。

关键创新：该论文的关键创新在于将神经辐射场方法应用于行星探测的3D重建任务中。与传统的SfM/SLAM方法相比，NeRF和Gaussian Splatting能够更好地处理低纹理、光照变化等复杂环境，生成更高质量、更逼真的3D模型。此外，该系统还实现了自动化流程，可以直接处理漫游车数据，提高了重建效率。

关键设计：在辐射场优化阶段，论文采用了Nerfstudio框架，该框架提供了多种NeRF变体和优化策略，可以根据具体场景选择合适的配置。例如，可以使用Mip-NeRF来提高渲染质量，或者使用Instant NGP来加速训练过程。此外，还可以调整损失函数，例如加入正则化项，以提高重建的鲁棒性。对于Gaussian Splatting，需要设置合适的初始化参数和优化策略，以保证模型的收敛性和渲染质量。

📊 实验亮点

论文将NeRF和Gaussian Splatting等辐射场方法成功应用于行星探测的3D重建中，能够从少量图像中生成高质量、照片般逼真的3D模型。与传统方法相比，该方法在低纹理、光照变化等复杂环境下表现更佳，重建效果显著提升。该系统实现了自动化流程，可以直接处理漫游车数据，提高了重建效率。

🎯 应用场景

该研究成果可应用于行星探测任务中，为漫游车提供高保真度的3D环境模型，支持自主导航、路径规划、目标识别等任务。此外，该方法还可应用于其他资源受限、环境复杂的场景，如水下探测、矿山勘探等。未来，该技术有望推动行星探测任务的智能化和自主化水平。

📄 摘要（原文）

Planetary exploration increasingly relies on autonomous robotic systems capable of perceiving, interpreting, and reconstructing their surroundings in the absence of global positioning or real-time communication with Earth. Rovers operating on planetary surfaces must navigate under sever environmental constraints, limited visual redundancy, and communication delays, making onboard spatial awareness and visual localization key components for mission success. Traditional techniques based on Structure-from-Motion (SfM) and Simultaneous Localization and Mapping (SLAM) provide geometric consistency but struggle to capture radiometric detail or to scale efficiently in unstructured, low-texture terrains typical of extraterrestrial environments. This work explores the integration of radiance field-based methods - specifically Neural Radiance Fields (NeRF) and Gaussian Splatting - into a unified, automated environment reconstruction pipeline for planetary robotics. Our system combines the Nerfstudio and COLMAP frameworks with a ROS2-compatible workflow capable of processing raw rover data directly from rosbag recordings. This approach enables the generation of dense, photorealistic, and metrically consistent 3D representations from minimal visual input, supporting improved perception and planning for autonomous systems operating in planetary-like conditions. The resulting pipeline established a foundation for future research in radiance field-based mapping, bridging the gap between geometric and neural representations in planetary exploration.