GRAND-SLAM：大规模多智能体高斯 SLAM 的全局一致性局部优化
机器人学
2025-06-24 v1 计算机视觉与模式识别
摘要
3D 高斯溶解 (3D Gaussian splatting) 已成为 RGB-D 视觉 SLAM 中富有表现力的场景表示方法，但其应用于大规模、户外的多智能体环境仍未探索。多智能体高斯 SLAM 是一种具有前景的方案，可实现环境的快速探索与重建，提供可扩展的环境表示，但现有方法仅限于小规模、室内环境。为此，我们提出 Gaussian Reconstruction via Multi-Agent Dense SLAM，简称 GRAND-SLAM，即一种集成（i）基于子图局部优化的隐式跟踪模块，和（ii）集成到姿态图优化框架中的机器人间/内循环闭合方法的协作式高斯溶解 SLAM 方法。实验表明，GRAND-SLAM 在 Replica 室内数据集上提供了领先的跟踪性能和 28% 更高的 PSNR；在大规模户外 Kimera-Multi 数据集上，实现了 91% 更低的多智能体跟踪误差和 improved 的渲染效果，显著优于现有多智能体方法。
引用
@article{arxiv.2506.18885,
title = {GRAND-SLAM: Local Optimization for Globally Consistent Large-Scale Multi-Agent Gaussian SLAM},
author = {Annika Thomas and Aneesa Sonawalla and Alex Rose and Jonathan P. How},
journal= {arXiv preprint arXiv:2506.18885},
year = {2025}
}