GreenhouseSplat: A Dataset of Photorealistic Greenhouse Simulations for Mobile Robotics

📄 arXiv: 2510.01848v1 📥 PDF

作者: Diram Tabaa, Gianni Di Caro

分类: cs.RO

发布日期: 2025-10-02

💡 一句话要点

GreenhouseSplat：用于移动机器人的光照逼真温室模拟数据集

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 温室模拟 农业机器人 高斯溅射 辐射场 数据集

📋 核心要点

  1. 现有温室环境模拟依赖于简单或合成资产，导致仿真与现实环境存在差距，限制了机器人算法的有效迁移。
  2. GreenhouseSplat 框架利用高斯溅射等辐射场方法，从低成本 RGB 图像中生成照片级真实感的温室环境资产。
  3. 该数据集包含多种行配置的黄瓜植物，并集成到 ROS 模拟环境中，支持相机和激光雷达渲染，适用于机器人定位等任务评估。

📝 摘要（中文）

模拟温室环境对于开发和评估农业机器人系统至关重要，但现有方法依赖于过于简单或合成的素材，限制了仿真到真实的迁移。最近，高斯溅射等辐射场方法取得了进展，实现了照片级真实感的重建，但目前仅限于单个植物或受控的实验室条件。本文介绍 GreenhouseSplat，一个直接从廉价RGB图像生成照片级真实感温室资产的框架和数据集。生成的资产集成到基于ROS的模拟中，支持相机和激光雷达渲染，从而实现诸如使用信标的定位等任务。我们提供了一个包含82株黄瓜植物的数据集，这些植物分布在多个行配置中，并展示了其在机器人评估中的效用。GreenhouseSplat 代表了迈向温室规模辐射场模拟的第一步，并为农业机器人领域的未来研究奠定了基础。

🔬 方法详解

问题定义：现有温室环境模拟方法生成的环境不够真实，无法满足农业机器人算法开发和测试的需求。具体来说，现有方法依赖于过于简化的三维模型或合成纹理，导致模拟环境与真实温室环境存在较大差异，使得在模拟环境中训练的机器人算法难以直接应用于真实环境。

核心思路：GreenhouseSplat 的核心思路是利用高斯溅射等辐射场方法，直接从真实温室环境的 RGB 图像中重建出照片级真实感的温室环境模型。通过这种方式，可以避免人工建模和纹理合成带来的误差，从而提高模拟环境的真实性。

技术框架：GreenhouseSplat 框架主要包含以下几个模块：1) 数据采集模块：使用低成本 RGB 相机采集温室环境的图像数据。2) 模型重建模块：利用高斯溅射算法，从图像数据中重建出温室环境的三维模型。3) 场景集成模块：将重建的三维模型集成到基于 ROS 的模拟环境中，并支持相机和激光雷达渲染。4) 数据集构建模块：构建包含多种行配置的黄瓜植物的数据集。

关键创新：GreenhouseSplat 的关键创新在于将高斯溅射等辐射场方法应用于温室环境的建模，从而实现了照片级真实感的温室环境模拟。与现有方法相比，GreenhouseSplat 能够更真实地模拟温室环境的光照、纹理和几何结构，从而提高了仿真到真实的迁移效果。

关键设计：GreenhouseSplat 使用了高斯溅射算法来重建温室环境的三维模型。高斯溅射算法是一种基于辐射场的渲染方法，它通过将场景表示为一组高斯分布的集合，从而实现高效的渲染。在 GreenhouseSplat 中，每个高斯分布都表示场景中的一个点，其参数包括位置、颜色、不透明度和协方差矩阵。通过优化这些参数，可以使渲染结果与真实图像尽可能地接近。

📊 实验亮点

论文构建了一个包含82株黄瓜植物的数据集，这些植物分布在多个行配置中。实验结果表明，使用 GreenhouseSplat 生成的模拟环境能够有效地支持机器人定位等任务。与使用传统方法生成的模拟环境相比，使用 GreenhouseSplat 生成的模拟环境能够显著提高机器人算法的性能。

🎯 应用场景

GreenhouseSplat 可用于农业机器人算法的开发、测试和验证，例如机器人导航、目标检测、路径规划等。该数据集和框架能够帮助研究人员在逼真的模拟环境中评估算法性能，从而加速农业机器人的研发进程。此外，该研究成果还可应用于虚拟现实、游戏等领域，为用户提供更加沉浸式的温室环境体验。

📄 摘要（原文）

Simulating greenhouse environments is critical for developing and evaluating robotic systems for agriculture, yet existing approaches rely on simplistic or synthetic assets that limit simulation-to-real transfer. Recent advances in radiance field methods, such as Gaussian splatting, enable photorealistic reconstruction but have so far been restricted to individual plants or controlled laboratory conditions. In this work, we introduce GreenhouseSplat, a framework and dataset for generating photorealistic greenhouse assets directly from inexpensive RGB images. The resulting assets are integrated into a ROS-based simulation with support for camera and LiDAR rendering, enabling tasks such as localization with fiducial markers. We provide a dataset of 82 cucumber plants across multiple row configurations and demonstrate its utility for robotics evaluation. GreenhouseSplat represents the first step toward greenhouse-scale radiance-field simulation and offers a foundation for future research in agricultural robotics.