DynaGSLAM：用于在动态场景中在线渲染、跟踪和移动物体运动预测的实时高斯溅射SLAM
计算机视觉与模式识别
2025-03-18 v1
摘要
同时定位与制图(SLAM)是计算机视觉、机器人和自动驾驶/无人机等领域最重要的环境感知与导航算法之一。因此，高质量且快速的制图成为一个根本性问题。随着3D高斯溅射(3DGS)作为一种显式表示在渲染质量和速度方面表现出色，现有SOTA工作将GS引入SLAM。相对于经典点云SLAM，GS-SLAM通过学习输入相机视图并合成未见的视图来生成高质量纹理的光度信息。然而，这些GS-SLAM在移动物体占据场景时会失败，因为这违反了束调整的静态假设。移动GS的失败更新会影响静态GS并在长时间帧中污染整个地图。尽管一些工作试图为GS-SLAM考虑移动物体，但它们仅通过检测并移除GS渲染中的移动区域("anti"动态GS-SLAM)，仅能为静态背景提供GS的好处。为此，我们提出了首个实时GS-SLAM系统"DynaGSLAM"，实现了在动态场景中进行高质量在线GS渲染、跟踪和移动物体运动预测，同时精确估计ego运动。我们的方法在三个动态真实数据集上超越了SOTA静态及"Anti"动态GS-SLAM，同时在实际应用中保持速度和内存效率。
引用
@article{arxiv.2503.11979,
title = {DynaGSLAM: Real-Time Gaussian-Splatting SLAM for Online Rendering, Tracking, Motion Predictions of Moving Objects in Dynamic Scenes},
author = {Runfa Blark Li and Mahdi Shaghaghi and Keito Suzuki and Xinshuang Liu and Varun Moparthi and Bang Du and Walker Curtis and Martin Renschler and Ki Myung Brian Lee and Nikolay Atanasov and Truong Nguyen},
journal= {arXiv preprint arXiv:2503.11979},
year = {2025}
}