GLC-SLAM: Gaussian Splatting SLAM with Efficient Loop Closure

📄 arXiv: 2409.10982v1 📥 PDF

作者: Ziheng Xu, Qingfeng Li, Chen Chen, Xuefeng Liu, Jianwei Niu

分类: cs.RO

发布日期: 2024-09-17

💡 一句话要点

GLC-SLAM：基于高斯溅射的SLAM系统，通过高效回环闭合解决地图漂移问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: SLAM 3D高斯溅射 回环闭合 全局优化 机器人导航

📋 核心要点

  1. 现有基于3D高斯溅射的SLAM方法在大规模场景中存在累积误差和地图漂移问题。
  2. GLC-SLAM通过全局优化相机姿态和场景模型，并采用分层回环闭合策略来最小化漂移。
  3. 实验结果表明，GLC-SLAM在跟踪和建图性能上优于或可与先进的RGB-D SLAM系统媲美。

📝 摘要（中文）

本文提出了一种名为GLC-SLAM的高斯溅射SLAM系统，旨在解决现有基于3D高斯溅射（3DGS）的SLAM方法在大规模环境中存在的累积跟踪误差和地图漂移问题。该系统集成了相机姿态和场景模型的全局优化，采用帧到模型的跟踪方式，并利用全局到局部的分层回环闭合策略来最小化漂移累积。通过将场景划分为3D高斯子图，系统能够在大型场景中进行回环校正后高效地更新地图。此外，系统采用不确定性最小化的关键帧选择策略，优先选择观察到更有价值的3D高斯的关键帧，以增强子图优化。实验结果表明，GLC-SLAM在各种数据集上实现了优于或可与最先进的密集RGB-D SLAM系统相媲美的跟踪和建图性能。

🔬 方法详解

问题定义：现有基于3D高斯溅射的SLAM方法，尤其是在大规模环境中，会由于跟踪误差的累积而导致地图漂移，影响建图精度和后续应用。因此，需要一种能够有效抑制累积误差，实现高精度、大规模场景建图的SLAM系统。

核心思路：GLC-SLAM的核心思路是通过全局优化来纠正累积误差，并采用分层回环闭合策略来进一步减小地图漂移。具体来说，系统首先进行帧到模型的跟踪，然后检测潜在的回环，并通过全局优化调整相机姿态和3D高斯模型，从而实现全局一致的地图。

技术框架：GLC-SLAM系统主要包含以下几个模块：1) 帧到模型跟踪模块，用于估计当前帧的相机姿态；2) 关键帧选择模块，选择具有代表性的帧作为关键帧；3) 回环检测模块，采用全局到局部的策略检测潜在的回环；4) 全局优化模块，利用回环信息优化相机姿态和3D高斯模型；5) 地图更新模块，在回环校正后高效地更新3D高斯子图。

关键创新：GLC-SLAM的关键创新在于集成了全局优化和分层回环闭合策略，能够有效地抑制累积误差和地图漂移。此外，系统还提出了不确定性最小化的关键帧选择策略，优先选择包含更多信息的关键帧，从而提高全局优化的效果。

关键设计：在回环检测方面，系统采用全局图像描述子进行粗略的回环检测，然后使用局部特征进行精确匹配。在全局优化方面，系统使用Bundle Adjustment优化相机姿态和3D高斯参数。关键帧选择策略基于3D高斯的不确定性，选择不确定性较低的3D高斯对应的关键帧。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GLC-SLAM在多个数据集上进行了实验验证，结果表明其在跟踪精度和建图质量上均优于或可与最先进的RGB-D SLAM系统相媲美。具体而言，GLC-SLAM能够有效地抑制累积误差，实现高精度的大规模场景建图，并在回环闭合后能够快速更新地图。

🎯 应用场景

GLC-SLAM在机器人导航、增强现实、虚拟现实、三维重建等领域具有广泛的应用前景。高精度的地图可以用于机器人的自主导航和环境理解，增强现实应用可以将虚拟物体与真实场景进行精确对齐，虚拟现实应用可以提供更逼真的沉浸式体验，三维重建可以用于文物保护和城市建模等。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has gained significant attention for its application in dense Simultaneous Localization and Mapping (SLAM), enabling real-time rendering and high-fidelity mapping. However, existing 3DGS-based SLAM methods often suffer from accumulated tracking errors and map drift, particularly in large-scale environments. To address these issues, we introduce GLC-SLAM, a Gaussian Splatting SLAM system that integrates global optimization of camera poses and scene models. Our approach employs frame-to-model tracking and triggers hierarchical loop closure using a global-to-local strategy to minimize drift accumulation. By dividing the scene into 3D Gaussian submaps, we facilitate efficient map updates following loop corrections in large scenes. Additionally, our uncertainty-minimized keyframe selection strategy prioritizes keyframes observing more valuable 3D Gaussians to enhance submap optimization. Experimental results on various datasets demonstrate that GLC-SLAM achieves superior or competitive tracking and mapping performance compared to state-of-the-art dense RGB-D SLAM systems.