该论文旨在解决大规模真实世界环境中基于3D高斯泼溅(3D Gaussian Splatting, 3DGS)的实时同步定位与建图(Simultaneous Localization and Mapping, SLAM)的挑战。现有方法难以同时实现低延迟的位姿估计、与传感器数据流同步的3D高斯重建以及长期的全局一致性。
论文提出了一个紧耦合的激光雷达-惯性-视觉(LiDAR-Inertial-Visual, LIV) 3DGS SLAM框架。核心方法包括：
- 并行执行状态估计、3D高斯图元(primitive)初始化和全局高斯优化，以实现连续稠密建图。
- 采用级联(cascaded)策略，结合前馈(feed-forward)预测和基于体素(voxel)的主成分分析(Principal Component Analysis, PCA)几何先验，以提升高斯初始化质量并加速优化收敛。
- 通过基于高斯的广义迭代最近点(Generalized Iterative Closest Point, GICP)配准估计回环约束，并随后进行位姿图(pose-graph)优化，直接在优化后的全局高斯地图上执行回环检测(loop closure)，以增强大场景的全局一致性。
论文的核心创新点在于：
1. **紧耦合的多传感器3DGS SLAM框架**：首次将激光雷达、惯性和视觉传感器紧耦合地集成到一个实时的3DGS SLAM系统中，用于大规模真实场景。
2. **并行处理与级联初始化策略**：通过并行执行状态估计、高斯初始化和全局优化，并结合前馈预测与体素PCA几何先验，实现了实时、连续且高质量的建图，解决了现有方法在实时性与重建质量间的权衡难题。
3. **基于高斯地图的直接回环检测**：创新性地直接在优化后的全局高斯地图上执行回环检测（使用高斯GICP配准），而非在传统特征或点云上，这更直接地维护了建图模型的全局一致性。
4. **数据集贡献**：收集并提供了具有硬件同步的激光雷达-相机-IMU数据和真实轨迹的大规模、具有挑战性的户外闭环SLAM序列，支持更真实和全面的评估。
论文对该领域的整体贡献是：
- 提出了一个名为RMGS-SLAM的新型实时多传感器3DGS SLAM系统，在多种具有挑战性的真实世界场景中，在实时效率、定位精度和渲染质量之间实现了强有力的平衡。
- 通过创新的并行架构、级联初始化策略和基于高斯地图的回环方法，有效解决了大规模实时3DGS SLAM中低延迟、高质量重建和全局一致性的联合挑战。
- 通过公开数据集和自建数据集的广泛实验验证了方法的优越性，并为社区提供了宝贵的数据资源以推动相关研究。