DynoSLAM：用于实际社交导航的基于生成图神经网络的动态SLAM
机器人学
2026-05-19 v2 计算机视觉与模式识别
摘要
传统的同步定位与制图（SLAM）算法严重依赖静态环境假设，这在实际空间中存在移动实体（如行人）时 severely 限制了其适用性。本文提出 DynoSLAM，一个紧密耦合的动态GraphSLAM架构，将社交意识的图神经网络（GNN）直接集成到因子图优化中。不同于使用刚性恒定速度启发式或确定性单智能体神经先验的常规方法，我们的框架将行人运动预测建模为随机世界模型。通过利用来自训练好的GNN的蒙特卡洛滚动，捕捉人类互动的多模态认知不确定性，并通过动态马氏距离因子将其嵌入SLAM图中。我们通过大量仿真实验表明，这种随机模型不仅保持了高度准确的回溯跟踪，还防止了由确定性“argmax问题”导致的优化失败。最终，提取未来行人状态的经验均值和协方差矩阵，为下游局部规划器提供数学上严谨的概率安全包络，使机器人在拥挤环境中实现预判性、无碰撞导航。
引用
@article{arxiv.2605.02759,
title = {DynoSLAM: Dynamic SLAM with Generative Graph Neural Networks for Real-World Social Navigation},
author = {Danil Tokhchukov and Veronika Morozova and Gonzalo Ferrer},
journal= {arXiv preprint arXiv:2605.02759},
year = {2026}
}
备注
Code & Project page at https://github.com/makriot/dynoslam