- 传统**同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)** 算法严重依赖静态环境假设，限制了其在存在行人等移动实体的真实场景中的适用性
- **动态SLAM(dynamic SLAM)** 中现有方法多采用刚性恒定速度启发式或确定性单智能体神经先验，无法有效处理人类交互的随机性
- 确定性预测方法存在“**argmax问题** ”，即选择最可能轨迹导致优化失败，缺乏对多模态不确定性的建模
- 机器人需要在密集人群中实现预判和无碰撞导航，需要一种能够提供概率安全包络的动态SLAM框架
- 提出**DynoSLAM**，一种紧耦合的**动态GraphSLAM(dynamic GraphSLAM)** 架构，将**社会感知图神经网络(socially-aware Graph Neural Networks, GNNs)** 直接集成到**因子图优化(factor graph optimization)** 中
- 将行人运动预测建模为**随机世界模型(stochastic World Model)**，使用训练好的GNN进行**蒙特卡洛展开(Monte Carlo rollouts)**，捕捉人类交互的**多模态认知不确定性(multimodal epistemic uncertainty)**
- 通过**动态马氏距离因子(dynamic Mahalanobis distance factor)** 将不确定性嵌入SLAM图，在优化中考虑行人未来状态的概率分布
- 从预测中提取经验**均值(mean)** 和**协方差矩阵(covariance matrices)**，为下游局部规划器提供数学上严格的**概率安全包络(probabilistic safety envelope)**
- **首创性地将生成式GNN与因子图SLAM融合**：不同于以往将GNN仅用于运动预测外部模块，DynoSLAM将GNN直接嵌入因子图优化中，实现紧耦合
- **随机公式替代确定性预测**：利用蒙特卡洛展开和概率因子解决确定性“argmax问题”，避免了优化失败，同时保持高精度追溯跟踪
- **提供概率安全包络**：通过经验均值和协方差矩阵，为局部规划器提供可量化的不确定度，实现社会感知的预判导航
- **处理多模态交互不确定性**：GNN的随机展开能够捕获人类群体交互中多种可能的未来状态，比刚性启发式或单峰确定性先验更符合真实场景
- 为动态SLAM领域提出了一种新的**随机概率范式(stochastic probabilistic paradigm)**，将人类运动的不确定性显式融入SLAM优化中
- 通过大量模拟实验验证，该框架在保持高精度追溯跟踪的同时，显著提升了动态环境下SLAM的鲁棒性
- 为下游**社会导航(social navigation)** 提供了一种数学上严谨的概率安全包络，使机器人能够在密集人群中实现预期、无碰撞的路径规划
- 推动了**动态SLAM(dynamic SLAM)** 从确定性启发式向概率生成模型的发展，为真实世界机器人应用开辟了新方向