BayesianGS-SLAM: Uncertainty-Aware Neural Rendering SLAM via Probabilistic Formulation

📄 arXiv: 2609.24140v1 📥 PDF

作者: Kyeongsu Kang, Seongbo Ha, Sibaek Lee, Hyeonwoo Yu

分类: cs.RO

发布日期: 2026-09-21

💡 一句话要点

提出BayesianGS-SLAM以解决神经渲染SLAM中的不确定性问题

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

关键词: 神经渲染 SLAM 不确定性感知 深度估计 关键帧选择 机器人导航 增强现实

📋 核心要点

  1. 现有的神经渲染SLAM方法在处理传感器噪声和地图不完整性时，缺乏有效的可靠性估计，导致位姿优化不稳定。
  2. 本文提出了一种新的SLAM框架BayesianGS-SLAM，通过结合传感器噪声和地图表示的不确定性，增强了对颜色和深度的预测能力。
  3. 在真实RGB-D数据集上的评估表明，所提方法在深度不确定性错误排名上显著优于现有的不确定性感知SLAM方法。

📝 摘要（中文）

神经渲染基础的SLAM依赖于渲染的RGB-D残差进行相机跟踪和地图优化，但这些预测的可靠性因传感器噪声、观察覆盖范围有限和地图表示不完整而显著变化。缺乏明确的可靠性估计可能会对位姿优化产生不利影响。本文提出BayesianGS-SLAM，一个不确定性感知的3D高斯点云SLAM框架，能够在映射过程中估计颜色和深度的不确定性，并在SLAM流程中持续重用。我们的概率模型结合了传感器噪声和不透明度引起的地图表示不确定性，显著提高了深度不确定性错误排名，并通过关键帧选择策略减少了所选关键帧和映射调用的数量，同时保持了竞争性的跟踪和渲染性能。

🔬 方法详解

问题定义：现有的神经渲染SLAM方法在处理传感器噪声和地图表示不完整性时，缺乏有效的可靠性估计。这导致了位姿优化的不稳定性和冗余的映射更新，影响了整体性能。

核心思路：本文提出的BayesianGS-SLAM框架通过估计颜色和深度的不确定性，增强了SLAM过程中的预测能力。通过将传感器噪声与不透明度引起的地图表示不确定性结合，提供了更可靠的映射和跟踪。

技术框架：该框架包括多个模块：首先通过传感器噪声模型估计不确定性，然后在渲染过程中传播这些不确定性，最后在映射和跟踪阶段利用这些信息进行优化和关键帧选择。

关键创新：与以往只考虑颜色不确定性或仅在映射阶段使用不确定性的SLAM方法不同，BayesianGS-SLAM同时估计颜色和深度的不确定性，并将其整合到整个SLAM流程中。

关键设计：该方法在损失函数设计上引入了不确定性加权，使用了3D高斯点云表示，确保了在不同场景下的鲁棒性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在真实RGB-D数据集上的实验结果显示，BayesianGS-SLAM在深度不确定性错误排名上显著优于现有的不确定性感知SLAM方法，提升幅度达到XX%。此外，所提关键帧选择策略有效减少了关键帧数量和映射调用次数，同时保持了跟踪和渲染性能的竞争力。

🎯 应用场景

BayesianGS-SLAM的研究成果在机器人导航、增强现实和自动驾驶等领域具有广泛的应用潜力。通过提高SLAM系统在复杂环境中的鲁棒性和准确性，该技术能够显著提升自主系统的智能水平和实用性。

📄 摘要（原文）

Neural-rendering-based SLAM relies on rendered RGB-D residuals for camera tracking and map optimization, but the reliability of these predictions can vary substantially because of sensor noise, limited observation coverage, and incomplete map representations. Without an explicit reliability estimate, unreliable residuals may adversely affect pose optimization, while frames already well explained by the current map may trigger redundant mapping updates. In this paper, we present BayesianGS-SLAM, an uncertainty-aware 3D Gaussian Splatting SLAM framework that estimates predictive color and depth uncertainty during mapping and consistently reuses it across the SLAM pipeline. Our tractable probabilistic formulation combines a sensor-noise uncertainty component with an opacity-induced map-representation component propagated through the rendering process. The resulting predictive uncertainty is used to augment mapping, normalize tracking residuals through a robust pose objective, and evaluate incoming frames using a predictive-surprise-based keyframe criterion. Unlike prior uncertainty-aware neural-rendering SLAM methods that primarily consider color uncertainty or use uncertainty only during mapping, our framework estimates predictive uncertainty for both color and depth and integrates it into mapping, tracking, and keyframe selection. Evaluations on real-world RGB-D datasets demonstrate substantially improved depth uncertainty-error ranking compared with existing uncertainty-aware SLAM methods. Moreover, the proposed keyframe-selection strategy reduces the number of selected keyframes and mapping calls while maintaining competitive tracking and rendering performance.