如果机器人的每一米运动都为重建而优化？

很高兴分享 TRACE，我们在主动三维重建方面的新工作。

大多数主动方法一次选择一个最佳下一视图，然后规划到达该视图的路径。TRACE 则针对沿途收集的信息优化整条轨迹。

论文：https://arxiv.org/abs/2608.02304

代码：https://github.com/spikelab-jhu/trace-active-reconstruction…

视频：https://github.com/spikelab-jhu/trace-active-reconstruction#-video…

TRACE：主动场景重建的遍历轨迹优化

来源：https://arxiv.org/html/2608.02304 Ziyue Zheng1\equalcontrib, Linli Shi1\equalcontrib, Bingkun He1, Wen Jiang2, Ziyun Wang1\corresponding

摘要

现有的基于高斯溅射地图的主动重建系统贪婪地选择观测点，每一步优化一个单一的最佳下一视图（NBV），并通过短视距路径规划连接所选视图。这种贪婪的解耦忽视了场景信息的全局结构，产生低效的轨迹，在所选视图之间的行进过程中浪费感知能力。在这项工作中，我们将主动重建研究为遍历覆盖问题：传感器轨迹的时间平均空间统计量应与当前地图诱导的目标信息分布相匹配。我们的方法在线地从不确定性和可见性中推导出该目标分布，并通过具有梯度流和足迹消耗的核遍历视野规划器计算遍历轨迹，从而闭环映射与轨迹优化。我们在 Replica 数据集上对 TRACE 进行了全面评估，与最佳下一视图（NBV）基线相比，PSNR 提高了 1.5 dB。代码：https://github.com/spikelab-jhu/trace-active-reconstruction。

图 1：从离散视角到遍历主动重建。最佳下一视图（NBV）规划器丢弃稀疏视角之间的信息并忽略机器人动力学，产生不连贯、不可行的轨迹。我们的方法则从流式 RGB-D 观测构建信息地图，并规划一条在尊重机器人动力学的同时持续收集信息的遍历搜索路径。这带来了更平滑的轨迹、更密集的覆盖以及 1.5 dB 的 PSNR 提升。

1 引言

主动三维重建通过沿一系列信息丰富的视点移动传感器来恢复未知场景的几何结构，长期以来一直是机器人感知的核心问题（Zeng et al. 2020; Isler et al. 2016; Bircher et al. 2016）。在此类任务中，机器人根据自身的流式观测增量地构建场景的高保真模型。近年来可微渲染的进展，特别是 3D Gaussian Splatting (GS)（Kerbl et al. 2023）及其表面对齐变体 2DGS（Huang et al. 2024），极大地提高了可实现的重建质量。瓶颈已从地图表示转向规划器（Jin et al. 2025; Chen et al. 2025; Li et al. 2025）：在有限的时间、能量和运动预算下，智能体必须决定如何在未知场景中分配每一米运动。因此，重建质量既取决于地图表示，也取决于智能体如何选择在场景中分配其有限的运动预算。

使用高斯溅射地图的主动重建的一种常见范式是逐视图规划：每一步，规划器根据信息增益代理对候选视点进行评分，选择得分最高的位姿，并通过短视距路径规划将其连接到当前位置（Jin et al. 2025; Chen et al. 2025）。最近的工作引入了拓扑子图上的层次结构，但每一步仍然提交到单个节点，并通过最短路径规划路由到该节点（Li et al. 2025）。然而，这种表述将视点选择与轨迹规划解耦，连续视图之间的运动仅用于将传感器移动到下一个目标，而不是获取额外信息。这种解耦有三个主要问题。

首先，视点评分是短视的：每个决策都提交到局部信息量最大的位姿，而不预测传感器随后必须行进到哪里。其次，所选视图之间的行为不贡献于高效的信息收集。由此产生的轨迹是锯齿状、冗余的，并且偏向于孤立的 high-information 视点，而不是场景的均匀空间覆盖。第三，由一系列规划视图形成的轨迹忽略了现实世界约束，如可控性、执行器限制和能量效率，常常产生动态不可行的轨迹。特别是，用于最佳下一视图（NBV）规划的离散搜索算法通常优化视点而非可执行的运动，因此无法直接考虑机器人的连续时间动力学。

在这项工作中，我们旨在通过提出第一个使用遍历搜索规划连续且控制可行轨迹的主动三维重建方法来解决这些问题。我们不将问题建模为对一组下一位置的规划，而是基于当前的地图和探索状态，直接优化覆盖所构建信息分布的轨迹。具体来说，我们的规划器优化路径，使其时间平均空间统计量与目标信息分布相匹配：轨迹在任何区域花费的时间与该区域的信息密度成正比。在实时高斯溅射地图上实例化这一表述带来了三个技术挑战。

首先，经典遍历搜索假设目标分布是预先指定的，而在主动重建中，信息密度隐含在地图状态中，编码在每个高斯的置信度和不断演化的占用率中，并且必须在观测被集成时在线重新推导。其次，信息区域是传感器无法占据的场景表面：轨迹必须保持在自由空间中，而其观察足迹（而非位置）覆盖高信息表面。第三，在一个视野内重复覆盖下，观察表面的边际价值会降低，这是静态目标分布无法捕捉的时变效应。

目标信息分布是从每个高斯的不确定性和可见性在线推导的，而轨迹由具有梯度流更新和足迹消耗机制的核遍历视野规划器计算，该机制抑制重复覆盖。我们的贡献总结如下：

• •据我们所知，我们首次将基于高斯溅射地图的主动重建表述为轨迹级别的遍历覆盖问题，用对动态可行轨迹的连续优化取代贪婪的视点选择。
• •我们将基于核的遍历搜索适应于基于表面的重建，通过将表面信息扩散到可穿越的自由空间，并引入足迹感知消耗和注视目标，以实现高效覆盖和相机朝向。
• •在相同的映射器、预算和评估协议下，TRACE 在八个 Replica 场景中比最强的 NBV 基线提高了 1.5 dB PSNR，并支持在四足机器人和机械臂（补充材料）上直接执行轨迹，无需中间路径规划器。

2 相关工作

2.1 主动三维重建

主动三维重建在 next-best-view（NBV）框架下已被研究了数十年（Connolly 1985; Isler et al. 2016; Bircher et al. 2016