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: 多机器人协同SLAM 3D高斯溅射 同步定位与地图构建 机器人 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. 3D高斯溅射(3DGS)作为显式场景表示，为多机器人SLAM提供实时高保真渲染。
  3. 综述分析了不同架构的协同SLAM方法，并总结了数据集、评估指标和未来方向。

📝 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带来了重大挑战。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旨在利用多个机器人同时构建环境地图并估计自身位姿。现有方法在处理大规模场景、保持全局一致性、有效通信以及融合异构传感器数据方面存在挑战。尤其是在使用3D高斯溅射作为地图表示时，如何高效地进行多智能体间的信息共享和融合是一个关键问题。

核心思路：本综述的核心在于对现有基于3D高斯溅射的多机器人协同SLAM方法进行系统性地分类和分析，从而揭示不同方法的优缺点，并为未来的研究方向提供指导。通过分析不同架构（集中式、分布式）和核心组件（一致性、通信、融合等），可以更好地理解各种方法的适用场景和局限性。

技术框架：该综述首先介绍了3D高斯溅射的基本原理及其在SLAM中的应用。然后，根据架构将现有方法分为集中式和分布式两类，并分别分析了它们的优缺点。对于每一类方法，综述进一步分析了其核心组件，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，综述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高斯溅射的多机器人协同SLAM的全面综述。它系统地总结了现有方法，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：综述的关键设计在于其系统性的分类和分析框架。通过将现有方法按照架构和核心组件进行分类，可以更清晰地理解不同方法的特点和适用场景。此外，综述还总结了常用的数据集和评估指标，为未来的研究提供了参考。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该综述总结了现有基于3D高斯溅射的多机器人协同SLAM方法，并分析了它们的优缺点。它还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。这些研究方向将有助于推动多机器人协同SLAM技术的发展，并使其在更多实际场景中得到应用。

🎯 应用场景

该研究对机器人、自动驾驶、增强现实等领域具有潜在的应用价值。多机器人协同SLAM可以应用于大规模环境的地图构建和导航，例如仓库、工厂、矿山等。此外，该技术还可以用于灾难救援、环境监测等领域，提高任务效率和安全性。未来的研究方向，如语义SLAM和终身建图，将进一步扩展其应用范围。

📄 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.