TRACE: Ergodic Trajectory Optimization for Active Scene Reconstruction

📄 arXiv: 2608.02304v1 📥 PDF

作者: Ziyue Zheng, Linli Shi, Bingkun He, Wen Jiang, Ziyun Wang

分类: cs.RO

发布日期: 2026-08-03

备注: 11 pages, 7 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出TRACE以解决主动场景重建中的轨迹优化问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 主动重建 轨迹优化 遍历覆盖 高斯点云 场景重建 机器人导航 增强现实

📋 核心要点

  1. 现有主动重建方法在选择观察时采用贪婪策略，忽视了全局场景结构，导致效率低下。
  2. 本文提出将主动重建视为遍历覆盖问题，在线推导目标信息分布，并计算优化轨迹。
  3. 在Replica数据集上，TRACE相较于NBV基线提升了1.5 dB的PSNR，验证了方法的有效性。

📝 摘要（中文）

现有的主动重建系统使用高斯点云图进行贪婪观察选择，每一步仅优化一个下一个最佳视角（NBV），并通过短期路径规划连接所选视角。这种贪婪的解耦忽视了场景信息的全局结构，导致效率低下的轨迹，浪费了在选定视角之间的传感能力。本文将主动重建视为一个遍历覆盖问题：传感器轨迹的时间平均空间统计应与当前地图所诱导的目标信息分布相匹配。我们的方法在线推导该目标分布，并通过带有梯度流和足迹耗尽的核遍历视角规划器计算遍历轨迹，闭合映射与轨迹优化之间的循环。我们在Replica数据集上对TRACE进行了全面评估，相较于NBV基线，PSNR提高了1.5 dB。

🔬 方法详解

问题定义：本文旨在解决现有主动重建系统中轨迹优化的低效问题，现有方法通过贪婪选择下一个最佳视角，导致在视角之间的传感能力浪费。

核心思路：我们将主动重建视为遍历覆盖问题，设计了一种在线推导目标信息分布的方法，并通过核遍历视角规划器计算最优轨迹，以实现更高效的场景重建。

技术框架：整体架构包括三个主要模块：目标信息分布推导、核遍历视角规划和轨迹优化。首先，根据当前地图推导目标信息分布；然后，使用核遍历视角规划器生成轨迹；最后，优化轨迹以匹配目标分布。

关键创新：最重要的技术创新在于将主动重建视为遍历覆盖问题，闭合了映射与轨迹优化之间的循环，显著提高了重建效率。

关键设计：在设计中，我们采用了梯度流和足迹耗尽机制，以确保轨迹的有效性和信息覆盖率，同时设置了合适的损失函数以优化目标分布的匹配度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，TRACE在Replica数据集上相较于传统的下一个最佳视角（NBV）基线，PSNR提升了1.5 dB，显示出显著的性能改进。这一结果验证了我们方法在主动场景重建中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括机器人导航、增强现实和自动驾驶等场景重建任务。通过优化传感器轨迹，能够提高重建效率和精度，进而提升相关应用的性能和用户体验。未来，该方法有望在更复杂的动态环境中得到应用，推动智能系统的发展。

📄 摘要（原文）

Existing active reconstruction systems with Gaussian-splatting maps select observations greedily, optimizing a single next-best-view (NBV) at each step and connecting the chosen views by short-horizon path planning. This greedy decoupling disregards the global structure of scene information, producing inefficient trajectories that waste sensing capacity in transit between selected views. In this work, we study active reconstruction as an ergodic coverage problem: the time-averaged spatial statistics of the sensor trajectory should match a target information distribution induced by the current map. Our approach derives this target distribution online from uncertainty and visibility, and calculates ergodic trajectories via a kernel-ergodic horizon planner with gradient flow and footprint depletion, closing the loop between mapping and trajectory optimization. We thoroughly evaluate TRACE on the Replica dataset against the Next-Best-View (NBV) baselines, improving PSNR by 1.5 dB. Code: https://github.com/spikelab-jhu/trace-active-reconstruction.