机器人自建模，是实现机器人自主智能的核心支撑技术之一。依托自建模，机器人可以像人类一样，通过视觉学习自身结构与外观，实现自我认知。在实际应用 中，无论是工业机械臂的精准防撞、数字孪生的高保真仿真，还是服务机器人在动态环境中的自适应调整，都离不开对机器人自身结构、运动状态及外观特征的精 确建模。然而，传统方法往往受限于设备成本高、建模精度低或特征覆盖不全面等问题，难以在实际场景中广泛应用。 早期技术多针对特定任务设计，仅能建模末端执行器位置、关节速度等局部信息，缺乏通用性；依赖深度相机、激光雷达或大量惯性测量单元（ IMU）的方案，设 备成本高昂且数据采集复杂；基于神经辐射场（NeRF）的方法虽能实现三维重建，但训练与渲染耗时久，模型可解释性差，且大多忽略表面颜色建模。而依托于 NeRF的仅使用 RGB 图像的方法，又存在形态重建模糊、无法捕捉连杆结构等问题。 如何在低成本前提下，实现高精度、多特征融合的连杆级自建模，成为行业 亟待解决的技术难题。 针对上述挑战，来自 中山大学计算机学院的研究团队 （论文第一作者为硕士生胡可钧，通讯作者为谭宁教授） 提出了基于 3D 高斯 泼溅 （ 3DGS）的自建模技 术 。 ...