← 返回论文列表

紧凑关键帧优化的多智能体高斯溅射SLAM
Compact Keyframe-Optimized Multi-Agent Gaussian Splatting SLAM

作者: Monica M. Q. Li, Pierre-Yves Lajoie, Jialiang Liu 等4人
arXiv: 2604.00804v1
分类: cs.RO, cs.CV
📝 论文摘要
高效的多智能体三维建图对于在未知环境中运行的机器人团队至关重要，但密集的表示形式会阻碍在受限通信链路上进行实时交换。在多智能体同步定位与建图（SLAM）系统中，通常依赖中央服务器来合并和优化各智能体生成的局部地图。然而，共享这些庞大的地图表示，特别是由高斯溅射等最新方法生成的地图，在带宽受限的实际场景中成为瓶颈。我们提出了一种改进的多智能体RGB-D高斯溅射SLAM框架，该框架在保持地图保真度的同时降低了通信负载。首先，我们在SLAM系统中引入了压缩步骤，以去除冗余的三维高斯元素，而不降低渲染质量。其次，我们的方法在没有初始猜测的情况下执行集中式闭环检测计算，采用两种模式运行：一种是纯渲染深度模式，除了三维高斯元素外无需其他数据；另一种是相机深度模式，包含轻量级深度图像以提高配准精度并进行额外的高斯剪枝。在合成和真实数据集上的评估显示，与两种模式下的最先进方法相比，传输数据量减少了85-95%，使三维高斯多智能体SLAM更接近实际场景中的部署。代码：https://github.com/lemonci/coko-slam

📊 核心分析

🎯 研究动机
该论文旨在解决多智能体同时定位与建图(SLAM)系统中，因使用密集地图表示（如3D高斯泼溅(Gaussian Splatting)）而导致通信负载过大的问题。研究背景是：在带宽受限的实际场景中，智能体之间实时交换大型地图表示成为系统部署的瓶颈。
🔧 核心方法
论文提出了一种改进的多智能体RGB-D高斯泼溅SLAM框架，其核心方法包括两个关键步骤： - 在SLAM系统中引入一个紧凑化(compaction)步骤，以移除冗余的3D高斯(Gaussians)而不降低渲染质量。 - 采用一种无需初始猜测的集中式闭环检测(loop closure)计算方法，该方法有两种运行模式： 1. 纯渲染深度(pure rendered-depth)模式：仅使用3D高斯数据，无需额外数据。 2. 相机深度(camera-depth)模式：包含轻量级深度图像以提高配准精度，并进行额外的高斯修剪(pruning)。
💡 核心创新
论文的核心创新点在于将地图紧凑化与高效的集中式闭环检测相结合，显著降低了多智能体高斯泼溅SLAM的通信开销。其独特之处在于： - 在保持地图保真度的前提下，主动移除冗余的3D高斯，从源头上减少了待传输数据量。 - 设计了两种无需初始猜测的闭环检测模式，特别是纯渲染深度模式，完全依赖3D高斯表示本身进行计算，进一步避免了深度图像等额外数据的传输。 - 与现有工作相比，该方法通过优化关键帧(keyframe)和地图表示本身，而非仅优化传输协议，实现了通信负载的根源性降低。
🏆 总体贡献
论文对该领域的整体贡献是： - 提出了一种通信高效的多智能体3D高斯泼溅SLAM框架，在合成和真实数据集上的评估显示，与最先进方法相比，传输数据量减少了85-95%。 - 通过大幅降低通信需求，推动了基于3D高斯表示的多智能体SLAM系统在实际场景（尤其是带宽受限环境）中的实用化部署。 - 开源了代码，为后续研究提供了基础。