基于特征场的 3D 语义高斯溅射 SLAM——GSFF-SLAM
机器人学
2025-05-20 v2 人工智能
摘要
语义感知的 3D 场景重建对于自动机器人执行复杂交互至关重要。语义 SLAM 作为一种在线方法，将姿态估计、几何重建和语义映射集成到统一框架中，显示出巨大的潜力。然而，现有系统依赖 2D 真值先验进行监督，在实际环境中常受限于这些信号的稀疏性和噪声。为此，我们提出 GSFF-SLAM，一种基于 3D 高斯溅射实现的稠密语义 SLAM 系统，利用特征场实现外观、几何和 N 维语义特征的联合渲染。通过独立优化特征梯度，该方法支持使用各种形式的 2D 先验进行语义重建，尤其是稀疏且噪声较大的信号。实验结果表明，我们的方法在跟踪精度和照耀渲染质量方面均优于先前方法。在使用 2D 真值先验时，GSFF-SLAM 实现了 95.03% 的mIoU 语义分割水平，同时在仅保留约 2.9 倍计算资源的同时实现了显著的性能提升。
引用
@article{arxiv.2504.19409,
title = {GSFF-SLAM: 3D Semantic Gaussian Splatting SLAM via Feature Field},
author = {Zuxing Lu and Xin Yuan and Shaowen Yang and Jingyu Liu and Changyin Sun},
journal= {arXiv preprint arXiv:2504.19409},
year = {2025}
}