将全景RGB-LiDAR数据转换为3D高斯溅写

机器人和自动驾驶领域对大规模数字孪生体的需求正在迅速增长。然而，通常需要昂贵、专门设计的数据收集才能构建这些环境。与此同时，部署的平台常规收集大量全景RGB和LiDAR日志，但由于传输限制和缺乏可扩展的重用管道，这些传感器数据的大部分被直接丢弃或严格未被充分利用。本文提出了将这些存档日志转换为3DGS（3D Gaussian Splatting）的全景RGB-LiDAR重用管道，将其转化为稳健的初始化资产。直接转换此类原始日志会引入实际瓶颈：固有的非线性畸变导致SFM（Structure-from-Motion）跟踪不可靠，密集、无组织的LiDAR点云在3DGS优化期间造成计算负担。为克服这些挑战，我们的管道战略性地集成了ERP到cubemap转换模块用于确定性空间锚定，以及PRISM-a颜色分层下采样策略。通过Fast Point Feature Histograms（FPFH）基于全局配准和Iterative Closest Point（ICP）桥接这些多模态输入，我们的管道成功地将大量被弃用的数据转化为可用SFM几何。此外，我们的LiDAR增强型初始化在结构复杂的场景中持续提高最终3DGS渲染保真度，优于仅依赖视觉的基线方法。最终，本工作为从标准存档传感器日志创建仿真级数字孪生体提供了确定性工作流程。