- 现有的连续时间SLAM(continuous-time SLAM)方法在处理异构、异步传感器流（如卷帘快门相机、激光雷达、雷达、事件相机）时，缺乏一种**全高斯(fully Gaussian)** 且**分布式(distributed)** 的框架
- 传统方法在多相机场景中需要专门的同步或工程处理，不够通用
- 研究背景：随着传感器异构性和异步性增加，需要一种既能平滑估计轨迹又能高效融合多传感器的概率框架
- 提出**G-solver**，一种结合**高斯信念传播(Gaussian Belief Propagation, GBP)** 和**高斯过程(Gaussian Process, GP)** 运动先验的全高斯分布式框架
- **GP模型** 提供轨迹的概率表示，支持一致插值(consistent interpolation)和数据驱动的超参数(data-driven hyperparameters)
- **GBP** 提供可扩展的消息传递(message-passing)公式，适用于**去中心化(decentralized)** 设置
- **首创性**：首次将**高斯信念传播(GBP)** 与**高斯过程(GP)** 运动先验结合，构建全高斯分布式连续时间轨迹估计框架
- **分布式可扩展性**：无需专门同步即可自然扩展到**多相机(multi-camera)** 场景，降低了工程成本
- **概率一致性**：GP模型提供**概率性轨迹表示**，实现一致插值，并支持数据驱动超参数的自动学习
- 为**连续时间SLAM(continuous-time SLAM)** 领域提供了首个**全高斯分布式** 求解器，在合成和真实数据上验证了准确性和稳定性
- 运行时间与现有连续时间方法相当，同时具备更好的灵活性和扩展性
- 开源实现促进社区复现和后续研究