Compact Keyframe-Optimized Multi-Agent Gaussian Splatting SLAM
作者: Monica M. Q. Li, Pierre-Yves Lajoie, Jialiang Liu, Giovanni Beltrame
分类: cs.RO, cs.CV
发布日期: 2026-04-01
🔗 代码/项目: GITHUB
💡 一句话要点
提出紧凑的关键帧优化多智能体高斯溅射SLAM，降低通信带宽需求。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 多智能体SLAM 高斯溅射 地图压缩 回环闭合 机器人 三维重建 通信优化
📋 核心要点
- 现有多智能体SLAM系统依赖集中式服务器合并地图，高斯溅射等方法产生的大地图导致通信瓶颈。
- 该方法通过高斯压缩减少冗余，并采用纯渲染深度或相机深度模式进行集中式回环闭合，无需初始猜测。
- 实验表明，该方法在合成和真实数据集上，数据传输量相比现有方法减少85-95%。
📝 摘要（中文）
高效的多智能体三维地图构建对于在未知环境中运行的机器人团队至关重要，但密集的地图表示阻碍了在受限通信链路上的实时交换。在多智能体同步定位与地图构建（SLAM）中，系统通常依赖于集中式服务器来合并和优化各个智能体生成的局部地图。然而，共享这些大型地图表示，特别是像高斯溅射这样的最新方法生成的地图，在带宽有限的实际场景中成为瓶颈。本文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，我们将压缩步骤整合到SLAM系统中，以消除冗余的3D高斯分布，而不会降低渲染质量。其次，我们的方法执行无需初始猜测的集中式回环闭合计算，并在两种模式下运行：纯渲染深度模式，不需要3D高斯分布之外的数据；以及相机深度模式，包括轻量级深度图像，以提高注册精度和额外的高斯剪枝。在合成和真实世界数据集上的评估表明，与最先进的方法相比，两种模式下的传输数据减少了85-95％，从而使3D高斯多智能体SLAM更接近于在实际场景中的实际部署。
🔬 方法详解
问题定义：多智能体SLAM需要共享地图信息，但现有方法，特别是基于高斯溅射的方法，生成的地图数据量大，在带宽受限的通信环境中传输效率低，成为实际部署的瓶颈。现有方法缺乏有效的地图压缩和优化策略，难以在保证地图质量的同时降低通信成本。
核心思路：该论文的核心思路是在保证地图渲染质量的前提下，通过高斯压缩减少地图中的冗余信息，从而降低通信负载。同时，采用集中式的回环闭合方法，利用渲染深度或相机深度信息进行全局优化，进一步提升地图精度。这种设计旨在平衡地图质量、通信效率和计算复杂度。
技术框架：该方法主要包含以下几个阶段：1) 局部高斯溅射SLAM：每个智能体独立构建局部地图，采用高斯溅射表示。2) 高斯压缩：对局部地图进行高斯压缩，去除冗余高斯。3) 集中式回环闭合：将压缩后的高斯地图传输到中央服务器，进行全局回环检测和优化。回环闭合分为两种模式：纯渲染深度模式和相机深度模式。4) 地图融合：将优化后的地图信息反馈给各个智能体，进行地图融合。
关键创新：该方法的关键创新在于：1) 紧凑的高斯表示：通过高斯压缩，显著减少了地图的数据量，降低了通信负载。2) 无需初始猜测的集中式回环闭合：利用渲染深度或相机深度信息，实现了无需初始猜测的回环检测和优化，提高了系统的鲁棒性和效率。3) 两种回环闭合模式：纯渲染深度模式降低了对额外数据的需求，相机深度模式则提高了回环闭合的精度。
关键设计：高斯压缩的具体实现方式未知，但推测可能采用了基于重要性的高斯选择或聚类方法。回环闭合的损失函数可能包含渲染一致性损失和几何一致性损失。相机深度模式下，深度图像的使用可能采用了加权的方式，以平衡精度和计算复杂度。具体的参数设置和网络结构在论文中未详细说明，需要参考代码或后续研究。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在合成和真实世界数据集上，相比于现有方法，数据传输量减少了85-95%。这一显著的提升使得基于高斯溅射的多智能体SLAM系统更接近于实际部署，为在带宽受限环境下进行高效地图构建提供了可能。
🎯 应用场景
该研究成果可应用于多机器人协同探索、灾难救援、环境监测等领域。在这些场景中，机器人需要在带宽受限的环境下进行实时地图构建和共享。通过降低通信负载，该方法可以提高多智能体SLAM系统的实用性和鲁棒性，促进机器人在复杂环境中的应用。
📄 摘要（原文）
Efficient multi-agent 3D mapping is essential for robotic teams operating in unknown environments, but dense representations hinder real-time exchange over constrained communication links. In multi-agent Simultaneous Localization and Mapping (SLAM), systems typically rely on a centralized server to merge and optimize the local maps produced by individual agents. However, sharing these large map representations, particularly those generated by recent methods such as Gaussian Splatting, becomes a bottleneck in real-world scenarios with limited bandwidth. We present an improved multi-agent RGB-D Gaussian Splatting SLAM framework that reduces communication load while preserving map fidelity. First, we incorporate a compaction step into our SLAM system to remove redundant 3D Gaussians, without degrading the rendering quality. Second, our approach performs centralized loop closure computation without initial guess, operating in two modes: a pure rendered-depth mode that requires no data beyond the 3D Gaussians, and a camera-depth mode that includes lightweight depth images for improved registration accuracy and additional Gaussian pruning. Evaluation on both synthetic and real-world datasets shows up to 85-95\% reduction in transmitted data compared to state-of-the-art approaches in both modes, bringing 3D Gaussian multi-agent SLAM closer to practical deployment in real-world scenarios. Code: https://github.com/lemonci/coko-slam