IEEE Transactions on Robotics

Let us Make a Splan: Risk-Aware Trajectory Optimization in a Normalized Gaussian Splat

作者：Jonathan Michaux, Seth Isaacson, Challen Enninful Adu, Adam Li, Rahul Kashyap Swayampakula, Parker Ewen, Sean Rice, Katherine A. Skinner, Ram Vasudevan · 机构：Department of Robotics, University of Michigan, Ann Arbor, MI, USA

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：4380-4397

路径规划运动规划优化操作安全

精读笔记

Problem Setting

《Let us Make a Splan: Risk-Aware Trajectory Optimization in a Normalized Gaussian Splat》（IEEE Transactions on Robotics / 2025）处理的是一个很具体但重要的问题：在由 Gaussian Splat 表示的静态场景中，为机械臂做连续时间、风险约束的轨迹优化。

真正困难点有两个。第一，3DGS 在视觉上是连续场景表示，但标准 3DGS 的 Gaussian 并不是严格的 3D density basis；它的 screen-space splatting / opacity compositing 对渲染有效，却不能直接解释为“某个 3D 体积被占据的概率”。第二，机械臂安全不是点机器人避障，碰撞对象是随时间扫过的非凸 swept volume。离散采样机械臂表面、离散采样时间、或者把地图 voxelize，都在安全性、精度和计算量之间做很硬的 trade-off。

这篇论文抓住的关键矛盾是：radiance field 给了高保真连续感知表示，但 planning 需要的是 conservative、可微、可实时评估的 collision constraint。已有方法通常在两端之间做 lossy conversion：NeRF 转 grid、3DGS 椭球当障碍、机器人离散成点或球。SPLANNING 试图把这个 conversion 变成一个有概率语义的连续约束。

Motivation

已有路线不够的根本原因不是表示能力不足，而是语义错位。NeRF / 3DGS 的密度是为图像合成训练出来的；planner 需要知道机器人实体体积和环境相交的风险。标准 3DGS 尤其麻烦：Gaussian 参数在 rasterizer 里经过投影和 alpha blending 后服务于图像重建，并不保证 3D 空间里对 Gaussian 积分具有 occupancy 或 collision probability 含义。

作者的核心观察是：如果 Gaussian Splat 能被重新规范化为真正的 3D density mixture，那么 volume rendering 里的 transmittance 就可以被拿来构造 collision probability；如果机器人 swept volume 能被保守地表示成一堆球，那么碰撞风险就可转化为“密度场在球内的质量”。这正好把视觉表示和 reachability-based planning 对齐。

缺口在于之前工作多数只做到 practical collision checking，而不是从 radiance equation 出发给出可放进优化器的概率上界。Splat-Nav 把 Gaussian confidence ellipsoid 当障碍，更像几何启发式；CATNIPS 把 NeRF 转 occupancy grid，牺牲了连续性和分辨率。本文想补的是：直接在 splat 上做可微、连续、风险感知的轨迹优化。

Core Idea

论文的核心思想可以概括为：把 Gaussian Splat 从“渲染 primitive”改造成“规划可用的概率密度场”，再把机器人连续时间占据体从复杂几何改造成“有限球集合上的 density mass constraint”。这样一来，碰撞不再是点采样或椭球相交，而是密度积分诱导的风险约束。

理论直觉是成立的：volume rendering 中 transmittance 已经把沿射线积分密度解释为粒子未碰撞概率；若 normalized 3DGS 的 σ 确实近似真实场景密度，则球体内的密度质量越大，随机射线或刚体 infinitesimal segment 遇到碰撞的概率越高。作者用 Markov inequality 把随机射线碰撞风险超过阈值的概率上界化，再用 Gaussian 在 L∞ box 上的积分闭式近似球积分，使其可微且可计算。

和 prior 的本质区别是建模对象改变了：不是把 3DGS 后处理成障碍物集合，也不是把机器人离散点送进 NeRF density，而是把场景 representation 本身校准成一个可积分密度场，并把 robot occupancy 也组织成适合积分约束的球集合。这是 representation-planning interface 的改变，而不只是 planner 换了一个 collision checker。

Method

关键机制只有几项。

1. Normalized 3D Gaussian Splat：解决标准 3DGS 无法作为 σ(x) 直接进入 transmittance 的问题。核心变化是每个 Gaussian 成为归一化 3D density，并引入正权重 w，使 σ(x)=Σw_nG_n(x)。这牺牲了一部分标准 3DGS 的 screen-space filtering 最优性，但换来了 3D 空间中的概率/积分语义。

2. 球体碰撞风险上界：解决“机器人实体体积与连续 density field 相交概率如何定义”的问题。作者把球 S 的碰撞事件定义为从球心均匀随机发射射线，在到达边界前射线碰撞风险超过 α。通过 Markov 和 Jensen 得到 P(C(S)) ≤ 1/α [1-exp(-1/(4π)∫_S σ(x)dx)]。这一步是本文最核心的数学桥接，但也引入了较强解释假设。

3. Gaussian 积分的可计算上界：直接算 Gaussian 在球内积分不方便，因此旋转到协方差主轴后，用包含球的 L∞ box 替代 L2 ball，得到 erf 形式的闭式上界 H(S)。核心变化是把 collision oracle 变成光滑、可微、GPU 友好的表达式。

4. SFO + RTD 风格轨迹优化：解决机械臂连续时间 swept volume 难以精确约束的问题。利用 SPARROWS/RTD 的 spherical forward occupancy，把每段时间内每个 link 的占据体保守覆盖成球集合；再对这些球的风险求和，形成每个时间段的 chance constraint。这里的创新主要是把 radiance-field risk constraint 接入已有 reachability trajectory optimization 框架，而不是重新发明 RTD。

5. Receding horizon + braking：解决实时部署中的优化失败问题。若当前周期找不到解，则执行之前轨迹中的 braking maneuver。这是安全系统工程上必要的，但不是本文核心理论贡献。

Key Insight / Why It Works

最重要的 insight 是 representation alignment，而不是某个优化技巧。标准 3DGS 在视觉任务上强，是因为它把场景压成大量局部连续 primitives；但这些 primitives 对机器人来说没有安全语义。本文把 primitives 重新约束为 normalized density basis，使“渲染密度”和“碰撞密度”共享同一个 σ，这让同一场景模型同时服务于 perception 和 planning。

方法有效的核心原因有三点。

第一，Gaussian mixture 对局部几何有天然的 smooth support，积分约束比点采样更稳定。对机械臂这类大体积、多 link、连续运动对象，直接查询点密度很容易漏检；对球体做 density mass integration 等价于把 robot volume 和 scene density 做局部卷积，天然更适合 swept-volume safety。

第二，SFO 把复杂的 configuration-space safety 问题降到 workspace balls 上。机械臂高维非线性规划难点没有消失，但被 RTD 框架提前组织成有限个可微 workspace constraints。SPLANNING 的成功很大程度继承自 SPARROWS 的 reachable-set 设计；本文新增的是这些球如何和 learned radiance field 交互。

第三，闭式上界使约束能进入实时梯度优化。很多 radiance-field planner 卡在 collision checking 不可微、需要采样、或需要离散地图。本文把风险写成 erf / exp 的组合，虽然保守，但对 optimizer 友好。这比“更精确但不可优化”的 collision oracle 更有工程价值。

需要直说的是，论文中的“risk-aware”并不等价于严格校准的真实碰撞概率。它依赖 Assumption 4：normalized splat 的 transmittance 准确，并且可等同于刚体 infinitesimal segment 的碰撞概率。这个假设非常强，实际更多是把 learned density 当作一个 calibrated soft occupancy field。Markov/Jensen 上界也会引入保守性；α、β 最后被设成相同，说明概率语义还没有完全解耦。

哪部分最可能是核心贡献：normalized 3DGS + 球体密度积分风险约束。哪部分是辅助：RTD/SFO、receding horizon、braking、RRT high-level planner、GPU batch evaluation。它们使系统可用，但不是概念突破。

这不是 scaling paper，也不是 data-driven policy paper；增益主要来自 better inductive bias 和 representation alignment。它把视觉重建中的连续局部 basis 变成 planner 可消费的连续风险场，而不是靠更多数据学一个 planner。

Relation To Prior Work

这篇最接近三条线：RTD/SPARROWS 系列的 reachability-based manipulator planning，NeRF/CATNIPS 类 radiance-field chance planning，以及 Splat-Nav 类 Gaussian splat navigation。

和 SPARROWS 的关系最直接：SPLANNING 基本继承其参数化轨迹、SFO、连续时间保守占据、receding horizon 安全规划结构。实质新增信息是把已知几何障碍替换为 normalized Gaussian Splat 下的 probabilistic collision constraint。因此如果剥离 radiance-field constraint，planner 骨架并不新。

和 CATNIPS 的本质差异是是否保持连续表示。CATNIPS 将 NeRF 密度转为 occupancy grid / PURR，再做概率不安全区域判断；这使问题回到 voxel resolution 和 convolution kernel trade-off。SPLANNING 不需要先 voxelize，而是在 Gaussian density 上直接积分，因此更符合 radiance field 的连续性。

和 Splat-Nav 的本质差异是 collision semantics 和 robot class。Splat-Nav 更像把 Gaussian ellipsoids 当几何障碍，适合 quadrotor 直线段/走廊式规划；它的 bisection search 和 ellipsoid intersection 不自然适配机械臂非线性轨迹优化。SPLANNING 将 splat 改造成 density field，并把约束写成可微风险项，更适合 articulated manipulator。

哪些看似新其实是重组：receding-horizon RTD、安全 braking、球覆盖机械臂、轨迹参数化优化，都是已有 reachability planning 思想。实质创新是：为 3DGS 提供可用于碰撞概率上界的 normalized density formulation，并导出可微闭式风险约束。

Dataset / Evaluation

评估覆盖了三个层面：重建质量、collision constraint 作为 classifier 的行为、planner 在仿真和真机中的表现。这个设计基本能支撑论文主 claim：normalized 3DGS 不会严重破坏视觉/深度重建；所提约束比 CATNIPS/Splat-Nav 更适合碰撞判断；系统能在静态 cluttered 场景中实时运行。

仿真环境是随机立方体障碍 + Kinova 7DOF，覆盖了不同 clutter density，但几何类型较简单。baseline 中不少方法使用 privileged ground-truth geometry，而 SPLANNING 使用 reconstructed splat；这对展示 perception-to-planning 有利，但也让对比不完全是同一信息条件下的 planner 能力比较。SPARROWS 在 ground-truth geometry 下最好，说明 SPLANNING 还没有超越几何已知规划，只是在 learned visual map 条件下表现强。

真机实验是重要加分，因为验证了 normalized splat + optimizer + controller + high-level planner 的系统可行性。但真机仍是预建静态地图，没有实时 SLAM；动态干扰、遮挡更新、长期 drift、感知失败恢复都没有被真正验证。

实验没有大段证明风险阈值和真实 collision probability 的 calibration 关系。precision-recall 说明约束可调且分类效果好，但不等同于概率上界在真实物理世界中 tight 或 calibrated。α/β 的选择仍显经验化。

Limitation

最根本限制是 Assumption 4：normalized 3DGS 必须准确表示场景 transmittance，并且这个 transmittance 必须可解释为刚体碰撞概率。这个前提在真实机器人中并不稳。3DGS 的 density 由多视图渲染监督得到，可能在未观测区域、反光/透明物体、薄结构、遮挡边界处产生伪密度或漏密度；这些错误会直接进入安全约束。

第二，所谓概率安全的数学语义较弱。球碰撞事件通过随机射线风险超过 α 定义，并不等价于刚体体积与真实占据集合相交的概率。Markov/Jensen 上界保证形式上成立，但 tightness 未充分说明；L∞ box 替代球进一步保守。最终 α 和 β 可互换，也暴露了风险参数的物理含义不够清晰。

第三，方法把一部分复杂度转移到了表示训练和场景预建图。论文没有解决在线 SLAM、动态场景、持续更新、主动探索的问题。真实 deployment 中如果 splat 不完整，planner 可能安全地避开伪障碍，也可能危险地穿过未建模障碍。

第四，scalability 有实际上限。每个时间段、每个 link、每个 SFO 球都要和大量 Gaussian 交互；虽然 GPU 上可快，但大尺度场景、高分辨率 splat、多机械臂或更长 horizon 会迅速增加计算负担。文中没有充分说明 Gaussian pruning / spatial indexing 在复杂真实场景下的上限。

第五，高层规划和局部优化之间的耦合仍然脆弱。真机中需要 RRT 先给 waypoint，且 RRT risk threshold 与 optimizer threshold 不匹配会导致失败。这说明 SPLANNING 本身更像局部安全 trajectory optimizer，而不是完整长期任务规划器。

Takeaway

  • 1. 这篇真正推动的是 radiance-field representation 与 safety constraint 的对齐：让 3DGS 不只是视觉地图，而是可积分、可微、带风险语义的 planning map。
  • 2. 对机器人规划来说，continuous learned map 的价值不在 photorealistic rendering，而在能否提供 conservative、calibrated、optimizer-friendly 的 collision functional。
  • SPLANNING 给了一个相对干净的构造。
  • 3. 值得迁移的 insight 是：将复杂机器人 swept volume overapproximate 成适合场景表示查询的 primitives，再为这些 primitives 设计解析风险上界。

一句话总结

SPLANNING 是把 3D Gaussian Splat 从渲染表示推进到风险约束规划表示的一步，核心贡献在于 normalized density splat 与 reachability-based swept-volume chance constraint 的耦合，而不是一个全新的轨迹优化器。