GS-PRM: Gaussian Visual Roadmap for Image-Goal Navigation
作者: Ashraf Siddique, Kyung Min Han, Young J. Kim
分类: cs.RO
发布日期: 2026-10-14
💡 一句话要点
提出GS-PRM以解决图像目标导航中的全局规划问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 图像目标导航 高斯视觉路线图 三维高斯点云 全局规划 自主机器人 导航系统 深度学习
📋 核心要点
- 现有的图像目标导航方法未能有效编码可导航的拓扑结构，导致全局规划能力不足。
- GS-PRM通过直接利用3DGS渲染构建高斯视觉路线图，避免了传统方法中占用网格的推导过程。
- 实验结果表明，GS-PRM在长距离导航中表现优异，成功率提高至两倍，旅行时间减少57.2%。
📝 摘要（中文）
图像目标导航需要一个全局规划器来连接视觉指定的端点，同时提供本地策略可遵循的观察。三维高斯点云渲染（3DGS）提供了地图注册的RGB、透明度和深度渲染，但并未明确编码可导航的拓扑结构。本文提出了GS-PRM，一种高斯视觉路线图，其里程碑、本地连接和视觉参考直接通过3DGS渲染构建，而无需推导占用网格或有符号距离场。我们定义了基于渲染的无碰撞（RC-free）配置和路径，并通过全景深度提供里程碑验证和自适应覆盖的保守间隙，同时边缘对齐的正交渲染测试机器人的扫掠体积。我们建立了GS-PRM的条件健全性以及确定性查询完整性和概率构造完整性的充分条件。通过在模拟和真实环境中的实验验证GS-PRM的性能，展示了使用GS-PRM引导的目标条件策略进行的长距离导航。与基于3DGS的最先进导航系统相比，GS-PRM的导航系统实现了最高两倍的平均成功率，并在完成导航任务时将旅行时间减少了57.2%。
🔬 方法详解
问题定义：本文旨在解决图像目标导航中全局规划器的不足，现有方法未能有效编码可导航的拓扑结构，限制了导航性能。
核心思路：GS-PRM通过直接利用三维高斯点云渲染（3DGS）构建高斯视觉路线图，提供了里程碑、本地连接和视觉参考，避免了传统方法中占用网格的推导。
技术框架：GS-PRM的整体架构包括三个主要模块：首先，通过3DGS渲染生成地图注册的RGB、透明度和深度信息；其次，定义基于渲染的无碰撞配置和路径；最后，利用全景深度和正交渲染进行里程碑验证和扫掠体积测试。
关键创新：GS-PRM的核心创新在于其通过3DGS直接构建高斯视觉路线图，显著提高了导航的成功率和效率，与传统方法相比具有本质区别。
关键设计：在设计中，采用全景深度提供保守间隙，确保里程碑的有效性，同时边缘对齐的正交渲染用于测试机器人的扫掠体积，确保路径的安全性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，GS-PRM在长距离导航中表现优异，成功率提高至最高两倍，旅行时间减少了57.2%。与基于3DGS的现有系统相比，GS-PRM展现出更高的效率和可靠性，验证了其在实际应用中的潜力。
🎯 应用场景
该研究的潜在应用领域包括自主机器人导航、无人驾驶汽车和增强现实等场景。GS-PRM的高效导航能力能够显著提升这些领域中机器人的智能化水平，推动相关技术的发展与应用。未来，该方法可能在复杂环境中的导航任务中发挥更大作用。
📄 摘要（原文）
Image-goal navigation requires a global planner that connects visually specified endpoints while providing observations that a local policy can follow. Three-dimensional Gaussian Splatting (3DGS) provides map-registered RGB, opacity, and depth renderings, but does not explicitly encode navigable topology. We introduce \method, a Gaussian visual roadmap whose milestones, local connections, and visual references are constructed directly through 3DGS rendering without deriving an occupancy grid or signed distance field. We define render-based collision-free (RC-free) configurations and paths. Panoramic depth supplies conservative clearance for milestone validation and adaptive coverage, while edge-aligned orthographic rendering tests the robot's swept volume. We establish conditional soundness and sufficient conditions for deterministic query completeness and probabilistic construction completeness of GS-PRM. To validate the performance of GS-PRM, we conduct experiments in both simulated and real-world environments, demonstrating long-horizon navigation using goal-conditioned policies guided by GS-PRM. Compared with a state-of-the-art 3DGS-based navigation system, our GS-PRM-based navigation system achieves up to a twice higher average success rate and reduces travel time by up to 57.2% when both systems complete the navigation task.