A Survey on Collaborative SLAM with 3D Gaussian Splatting

📄 arXiv: 2510.23988v1 📥 PDF

作者: Phuc Nguyen Xuan, Thanh Nguyen Canh, Huu-Hung Nguyen, Nak Young Chong, Xiem HoangVan

分类: cs.RO

发布日期: 2025-10-28

💡 一句话要点

综述：基于3D高斯溅射的多机器人协同SLAM技术

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 协同SLAM 3D高斯溅射 多机器人系统 同步定位与地图构建 场景表示

📋 核心要点

  1. 多机器人协同SLAM面临全局一致性、通信管理和异构数据融合的挑战。
  2. 该综述分析了基于3D高斯溅射的协同SLAM架构、组件和优化方法。
  3. 总结了数据集和评估指标，并指出了未来研究方向，如终身建图。

📝 摘要（中文）

本综述全面回顾了使用3D高斯溅射(3DGS)的多机器人协同同步定位与地图构建(SLAM)领域的发展。作为一种显式的场景表示方法，3DGS实现了前所未有的实时、高保真渲染，非常适合机器人应用。然而，将其应用于多机器人系统带来了在保持全局一致性、管理通信以及融合来自异构源的数据方面的重大挑战。我们系统地按照架构（集中式、分布式）对方法进行分类，并分析了多智能体一致性和对齐、通信高效的高斯表示、语义蒸馏、融合和姿态优化以及实时可扩展性等核心组件。此外，还提供了关键数据集和评估指标的总结，以提供性能背景。最后，我们确定了关键的开放挑战，并规划了未来的研究方向，包括终身建图、语义关联和建图、用于鲁棒性的多模型以及弥合Sim2Real差距。

🔬 方法详解

问题定义：多机器人协同SLAM旨在多个机器人之间共享信息，共同构建环境地图并进行定位。现有方法在处理大规模场景、保证全局一致性、有效利用通信带宽以及融合异构传感器数据方面存在诸多挑战。尤其是在使用3D高斯溅射作为地图表示时，如何高效地进行数据融合和优化是一个关键问题。

核心思路：该综述的核心思路是对现有基于3D高斯溅射的协同SLAM方法进行系统性的分类和分析，从架构、核心组件和优化策略等多个维度进行剖析，从而为研究人员提供一个全面的视角，了解该领域的研究现状和未来发展方向。

技术框架：该综述首先根据架构将方法分为集中式和分布式两种。然后，针对每种架构，分析了其核心组件，包括多智能体一致性和对齐、通信高效的高斯表示、语义蒸馏、融合和姿态优化以及实时可扩展性。此外，还总结了常用的数据集和评估指标。

关键创新：该综述的创新之处在于它是首个针对基于3D高斯溅射的协同SLAM的全面综述。它系统地整理了该领域的研究成果，并指出了未来的研究方向，例如终身建图、语义关联和建图、用于鲁棒性的多模型以及弥合Sim2Real差距。

关键设计：该综述并没有提出新的算法或模型，而是对现有方法进行了梳理和总结。它关注的关键设计包括：不同架构下的通信策略、高斯表示的压缩和融合方法、语义信息的利用以及姿态图优化的策略等。这些设计直接影响了协同SLAM系统的性能和效率。

📊 实验亮点

该综述总结了现有基于3D高斯溅射的协同SLAM方法，并分析了它们在不同数据集上的性能表现。虽然没有提供具体的性能数据，但该综述为研究人员提供了一个评估不同方法优劣的参考框架，并指出了未来研究的重点方向。

🎯 应用场景

该研究对机器人协同作业、自动驾驶、增强现实等领域具有重要应用价值。通过多机器人协同，可以更快速、更准确地构建环境地图，提高机器人的定位精度和导航能力。未来的发展将推动这些技术在工业自动化、物流、灾害救援等场景中的应用。

📄 摘要（原文）

This survey comprehensively reviews the evolving field of multi-robot collaborative Simultaneous Localization and Mapping (SLAM) using 3D Gaussian Splatting (3DGS). As an explicit scene representation, 3DGS has enabled unprecedented real-time, high-fidelity rendering, ideal for robotics. However, its use in multi-robot systems introduces significant challenges in maintaining global consistency, managing communication, and fusing data from heterogeneous sources. We systematically categorize approaches by their architecture -- centralized, distributed -- and analyze core components like multi-agent consistency and alignment, communication-efficient, Gaussian representation, semantic distillation, fusion and pose optimization, and real-time scalability. In addition, a summary of critical datasets and evaluation metrics is provided to contextualize performance. Finally, we identify key open challenges and chart future research directions, including lifelong mapping, semantic association and mapping, multi-model for robustness, and bridging the Sim2Real gap.