BDGS-SLAM 重磅来袭!动态环境下的 3D 高斯溅射 SLAM 新突破

痛点

  核心痛点：动态环境下 3DGS-SLAM 的技术瓶颈

  传统 3DGS-SLAM 系统（如 Gaussian Splatting SLAM、SplaTAM）在静态场景表现优异，但在含有人、车辆等动态物体的现实环境中，存在诸多难以解决的问题：

• 动态物体导致多视图测量不一致，重建场景出现重影、纹理模糊、结构重复等渲染伪影；
• 传统基于特征移除、光流分割的动态抑制方法，无法直接适配 3DGS 的稠密视图相关高斯表示，易造成全局伪影；
• 现有神经隐式 SLAM 方法虽在动态干扰处理上有进展，但存在实时性差、场景几何精度不足、跟踪与建图模块松耦合的问题；
• 部分动态 3DGS-SLAM 方法采用确定性二值标签，缺乏时间维度的标签优化，易误删静态高斯点、丢失场景关键信息。

  针对这些痛点，BDGS-SLAM 构建了紧耦合的跟踪 - 建图架构，将语义检测、概率动态滤波与渲染感知高斯优化深度融合，实现了动态干扰的精准抑制与静态场景的完整重建。

核心创新

  模型设计：三大核心模块，打造动态环境鲁棒性

  BDGS-SLAM 以 3D 高斯点为核心表示，融合 YOLOv5 语义检测与贝叶斯滤波，从动态概率推断、多视图融合、自适应优化三个维度解决动态干扰问题，整体架构简洁且针对性强。

1. 贝叶斯滤波：精准识别动态高斯点

  摒弃传统像素级分割的高计算开销，直接在后端基于高斯点构建贝叶斯滤波器，实现动态 / 静态高斯点的概率分类：

• 跟踪模块中用 YOLOv5 检测动态物体，为每个高斯点提供语义概率，并融合深度、3D 位置、协方差等几何特征，形成特征向量；
• 通过贝叶斯滤波递归更新高斯点的动态后验概率，结合 sigmoid 校准观测似然，并引入指数衰减因子保证状态演化的时间一致性；
• 将分类结果回溯映射到跟踪特征点，修正基于跟踪的位姿估计累积误差，从源头抑制动态干扰。

2. 多视图概率更新：恢复误删静态高斯点

  针对贝叶斯滤波可能出现的标签误判问题，融合共视关键帧的历史观测信息，优化高斯点标签的鲁棒性：

• 对当前帧与共视关键帧的观测信息进行加权融合，权重由指数衰减因子动态调整，弱化远距离帧的影响；
• 引入投票机制，根据后验概率将高斯点分为动态、静态、不确定三类，减少遮挡、间歇性运动导致的标签错误；
• 选择性采样视角多样性高的关键帧，在保证融合效果的同时，降低内存与计算开销，有效恢复被误判为动态的静态高斯点。

3. 自适应动态高斯优化：保留静态场景完整性

  拒绝硬删除动态高斯点的粗暴方式，采用软惩罚约束策略，在抑制动态干扰的同时，避免误删静态高斯点：

• 设计总损失函数，融合光度相似性损失、动态惩罚损失与正则化损失，对动态高斯点的不透明度施加惩罚，弱化其对渲染的影响；
• 通过指数移动平均（EMA）平滑后验概率，构建渲染掩码，仅让可靠的高斯点参与监督，避免短期波动导致的优化误差；
• 采用高斯金字塔分层优化，从低分辨率到高分辨率逐步优化参数，先稳定粗几何结构，再细化细节，提升训练效率与重建质量。

实验

  实验验证：多数据集登顶，精度与鲁棒性双优

  研究团队在TUM RGB-D、BONN RGB-D 动态、OpenLoris-Scene三大公开数据集上开展实验，将 BDGS-SLAM 与 Photo-SLAM、SplaTAM、DG-SLAM、ESLAM 等主流 SOTA 方法对比，从位姿估计、重建质量、计算效率三个维度验证性能，实验基于 NVIDIA RTX 4090 GPU 完成。

1. 位姿估计：ATE 显著降低，跟踪更稳定

  以绝对轨迹误差（ATE）为核心指标，BDGS-SLAM 在所有数据集上均实现最低的平均 ATE，大幅压制动态干扰导致的跟踪漂移：

• TUM 数据集：平均 ATE 仅 0.0247m，较第二名 DG-SLAM（0.0441m）提升 43.9%；
• BONN 数据集：面对快速移动的多人、物体，平均 ATE0.0711m，在 syn2、ball2 等超高难度序列中仍保持稳定跟踪；
• OpenLoris-Scene 数据集：在真实办公场景的长期动态交互中，平均 ATE0.075m，远优于 Co-SLAM、ESLAM 等方法。

2. 重建质量：高保真无伪影，静态场景完整性拉满

  采用 PSNR（峰值信噪比）、SSIM（结构相似性）、LPIPS（感知损失）评估重建质量，BDGS-SLAM 实现PSNR/SSIM 双高、LPIPS 最低，重建结果无重影、模糊等伪影，静态细节保留完整：

• TUM 数据集：平均 PSNR23.54dB、SSIM0.900、LPIPS0.159，较 DG-SLAM 分别提升 5.4%、12.6%、14.5%；
• BONN 数据集：平均 PSNR23.33dB、SSIM0.940，在动态物体密集区域仍能清晰重建背景墙、地面等静态结构；
• 可视化结果显示，BDGS-SLAM 能有效避免其他方法常见的伪影、空洞问题，即使在动态物体遮挡区域，也能恢复完整的静态场景。

3. 计算效率：实时性优异，适配工业部署

  BDGS-SLAM 在保证高精度的同时，实现了出色的计算效率，核心模块耗时优化显著：

• 跟踪模块平均每帧仅 81.4ms，为所有对比方法中最快，甚至优于专注效率的 DG-SLAM（89.2ms）；
• 整体平均每帧耗时 565.3ms（约 1.77FPS），支持近实时运行，且语义分割模块异步运行，可进一步通过轻量化检测器提升速度；
• 内存占用约 8GB，在常规工业级 GPU 上即可部署，具备实际应用价值。

4. 消融实验：三大模块缺一不可

  为验证各核心模块的作用，团队开展消融实验，结果显示：

• 移除贝叶斯滤波，TUM 数据集 ATE 骤升至 0.3562m，动态高斯点识别失效，位姿漂移严重；
• 移除多视图概率更新，BONN 数据集 ATE 达 0.3222m，标签误判增加，重建伪影显著；
• 移除高斯建图优化，虽位姿估计较稳定，但渲染结果噪声大、静态结构不完整；
• 仅整合所有模块的完整版本，能实现精度与鲁棒性的最优平衡。

创新价值与应用前景

核心创新

• 首次将贝叶斯滤波融入 3DGS-SLAM 的跟踪管线，实现高斯点的动态概率推断，突破传统确定性标签的局限；
• 提出带指数衰减的多视图概率更新机制，有效恢复误删静态高斯点，解决了动态场景下的地图完整性问题；
• 设计自适应软惩罚优化策略，在抑制动态干扰的同时保留静态场景结构，从根本上减少渲染伪影；
• 构建紧耦合的跟踪 - 建图架构，让建图模块的标签更新直接优化跟踪，跟踪结果实时指导建图，形成闭环反馈。

应用前景

  BDGS-SLAM 凭借在动态环境下的鲁棒跟踪与高保真重建能力，可广泛应用于服务机器人导航、AR/VR 场景构建、智能监控、自主驾驶等领域，尤其适用于商场、办公室、街道等动态物体密集的现实场景，为智能系统的环境感知提供了更可靠的技术支撑。

总结

  BDGS-SLAM 作为一款专为动态环境设计的 3D 高斯溅射 SLAM 框架，通过贝叶斯滤波、多视图概率更新与自适应优化的有机融合，成功解决了传统 3DGS-SLAM 在动态场景中的跟踪漂移与重建伪影问题，在多个公开数据集上实现了 SOTA 性能，兼顾了精度、鲁棒性与计算效率。

  未来，研究团队将进一步优化系统，通过集成轻量化语义分割网络、开发内存高效的长期动态场景理解模块，提升 BDGS-SLAM 的实时性与泛化能力，推动其在更多实际场景的落地应用。

  这一研究不仅为动态 SLAM 技术的发展提供了新的思路，也进一步挖掘了 3D 高斯溅射技术在复杂环境中的应用潜力，为智能感知领域的技术升级奠定了坚实基础。