Splatblox: Traversability-Aware Gaussian Splatting for Outdoor Robot Navigation

1. El Problema

La navegación autónoma en entornos exteriores no estructurados (agricultura, rescate, bosques) presenta desafíos significativos debido a la presencia de obstáculos con geometrías variables, densidades y opacidades distintas.

• Limitaciones de los métodos actuales:
  • Métodos basados en aprendizaje: Requieren grandes conjuntos de datos etiquetados, dependen de configuraciones de sensores específicas y tienen dificultades para generalizar entre plataformas o entornos no vistos. Además, los modelos grandes son difíciles de desplegar en hardware de borde (edge devices).
  • Métodos libres de aprendizaje (geométricos): Se basan en detección de obstáculos por rango (LiDAR) pero carecen de razonamiento semántico. No pueden distinguir entre vegetación deformable (traversable, como hierba alta) y obstáculos rígidos (no traversable, como árboles), lo que lleva a rutas subóptimas o fallos.
  • Representaciones implícitas (NeRFs): Aunque capturan geometría y apariencia, son demasiado lentas en entrenamiento e inferencia y requieren mucha memoria para la planificación en tiempo real.
  • Gaussian Splatting (GSplat) existente: Aunque eficiente para síntesis de vistas, los pipelines actuales requieren entrenamiento iterativo lento y un alto consumo de memoria de GPU, lo que dificulta su uso en sistemas de navegación que requieren actualizaciones en línea.

2. Metodología: Splatblox

Splatblox es un sistema en tiempo real que fusiona imágenes RGB y nubes de puntos LiDAR utilizando Gaussian Splatting (GSplat) para construir un campo de distancia signada euclidiana (ESDF) consciente de la transitabilidad.

• Estimación de Transitabilidad:
  • Utiliza un modelo de segmentación basado en prompts (CLIPSeg) para clasificar el terreno en categorías (ej. concreto, arena, rocas, vegetación) en tiempo real.
  • Asigna costos de transitabilidad a los píxeles de la imagen (0 a 1), donde valores bajos indican terreno transitable y altos indican obstáculos.
• Representación de la Escena (GSplat):
  • En lugar de solo renderizar colores, el sistema inyecta la geometría del LiDAR junto con los costos semánticos de transitabilidad en primitivas gaussianas 3D.
  • Cada gaussiana almacena parámetros de centro, covarianza, opacidad y coeficientes de armónicos esféricos (SH) para el color, pero aquí el "color" codifica el costo semántico.
  • El sistema actualiza la escena incrementalmente a medida que llegan nuevos datos, manteniendo un límite de 100k gaussianas activas para la eficiencia en memoria.
• Fusión ESDF y Planificación:
  • Se deriva un ESDF (Euclidean Signed Distance Field) a partir del volumen de costos de transitabilidad generado por GSplat.
  • Estrategia de Fusión: Se combina el ESDF basado en GSplat (que ofrece razonamiento semántico detallado en la vista frontal del robot) con un ESDF basado en LiDAR (que proporciona cobertura geométrica de 360°).
  • Esta fusión permite una planificación a largo alcance (hasta 100 metros), utilizando la información semántica frontal para navegar a través de vegetación y la cobertura LiDAR para evitar colisiones laterales y traseras.
  • El mapa fusionado se alimenta al planificador (Nav2) para la generación de trayectorias seguras.

3. Contribuciones Clave

1. Primer sistema de navegación GSplat en tiempo real para exteriores: Capaz de mapear y planificar "sobre la marcha" en entornos con vegetación densa, rocas y terrenos irregulares sin necesidad de entrenamiento previo (offline training).
2. Representación Volumétrica Semántica: Extiende el GSplat más allá del renderizado fotorealista para codificar tanto geometría como costos semánticos de transitabilidad, permitiendo distinguir entre hierba (transitable) y árboles (obstáculo).
3. Pipeline Ligero para Dispositivos de Borde: Optimizado para ejecutarse en GPUs con menos de 6 GB de VRAM a una tasa de reconstrucción de ≈2 Hz.
4. Fusión Híbrida GSplat-LiDAR: Combina la riqueza semántica de la visión frontal con la cobertura geométrica completa del LiDAR, extendiendo el horizonte de planificación local del robot.

4. Resultados Experimentales

El sistema se validó en un robot cuadrúpedo (Ghost Vision 60) y una plataforma con ruedas (Clearpath Jackal) en diversos escenarios exteriores.

• Comparativa: Se comparó contra métodos del estado del arte: DWA, GA-Nav, Nvblox, MIM y VERN.
• Métricas de Rendimiento (Escenarios de corto alcance):
  • Tasa de Éxito (SR): Mejora en más del 50% respecto a los mejores métodos base.
  • Congelamiento (Freezing Rate): Reduce los incidentes de bloqueo en un 40%.
  • Longitud de Trayectoria: Rutas 5% más cortas.
  • Tiempo al Objetivo: Hasta un 13% más rápido.
• Navegación de Largo Alcance (100 m):
  • Splatblox logró una tasa de éxito del 100% en escenarios de hasta 100 metros, mientras que todas las líneas base fallaron en al menos un escenario.
  • En escenarios con vegetación densa (vides, arbustos), Splatblox fue el único método capaz de navegar exitosamente, mientras que los métodos basados solo en LiDAR consideraban la vegetación como obstáculos sólidos y se detenían.
• Análisis de Componentes:
  • Se demostró que una representación más densa (usando todos los puntos gaussianos en lugar de solo las medias) mejora la precisión de la transitabilidad y reduce colisiones.
  • Se identificó un umbral crítico de profundidad de malla de 2 metros para la planificación efectiva.

5. Significado e Impacto

Splatblox representa un avance significativo en la robótica de exteriores al demostrar que las representaciones implícitas modernas (Gaussian Splatting) pueden adaptarse para la navegación autónoma en tiempo real.

• Superación de limitaciones semánticas: Permite a los robots "entender" que la hierba alta es transitable, una capacidad que los métodos puramente geométricos carecen.
• Eficiencia Computacional: Demuestra que es posible ejecutar sistemas complejos de mapeo y planificación semántica en hardware de recursos limitados, lo cual es crucial para el despliegue en el campo.
• Robustez: La fusión de sensores (RGB + LiDAR) y la representación volumétrica continua reducen los artefactos de discretización y mejoran la seguridad en entornos complejos y desordenados.

En conclusión, Splatblox establece un nuevo estándar para la navegación autónoma en entornos naturales, logrando una mayor tasa de éxito y eficiencia en comparación con las técnicas actuales, abriendo la puerta a misiones robóticas más largas y complejas en la naturaleza.