在自主駕駛、機器人導航、AR/VR等前沿應用中，Simultaneous Localization and Mapping (SLAM) 是核心技術之一。

現有基于3D高斯分布（3DGS）的SLAM方法雖在室內場景表現出色，但使用僅RGB輸入來處理無界的戶外場景仍然面臨挑戰：

• 準確的深度和尺度估計困難，這影響了姿態精度和3DGS初始化
• 圖像重疊有限且視角單一，缺乏有效的約束，導致訓練難以收斂

為了解決上述挑戰，港科廣團隊提出全新解決方案OpenGS-SLAM，僅憑RGB圖像實現高精度定位與逼真場景重建。

論文鏈接：https://arxiv.org/abs/2502.15633

代碼鏈接：https://github.com/3DAgentWorld/OpenGS-SLAM

官方主頁：https://3dagentworld.github.io/opengs-slam/

具體來說，該方法采用了一個點圖回歸網絡來生成幀間一致的點圖，儲存了來自多個標準視角的3D結構，包含了視角關系、2D到3D的對應關系和場景幾何信息，使得相機位姿估計更加穩健，有效緩解了預訓練深度網絡的誤差問題。

此外，將相機位姿估計與3DGS渲染集成到一個端到端可微的管道中，實現了位姿和3DGS參數的聯合優化，顯著提高了系統的跟蹤精度。

文中還設計了一種自適應比例映射器和動態學習率調整策略，能夠更準確地將點圖映射到3DGS地圖表示。

值得注意的是，在Waymo數據集上的實驗表明，OpenGS-SLAM將追蹤誤差降低至現有3DGS方法的9.8%，研究人員還在新視角合成任務上建立了一個新的基準，達到了最先進的結果。

摘要

3D Gaussian Splatting（3DGS）已成為SLAM領域的一種流行解決方案，因其能夠生成高保真的新視角圖像。

然而，現有的基于3DGS的方法主要針對室內場景，并依賴于RGB-D傳感器或預訓練的深度估計模型，因此在戶外場景中的表現較差。

為了解決這一問題，研究人員提出了一種針對無界戶外場景的純RGB 3DGS SLAM方法OpenGS-SLAM。

從技術上來說，該方法先引入了一種Pointmap回歸網絡，用于在不同幀之間生成一致的Pointmap以進行位姿估計。

與常用的深度圖相比，Pointmap能夠包含跨多個視角的空間關系和場景幾何信息，從而實現更魯棒的相機位姿估計。

隨后，將估計得到的相機位姿與3DGS渲染結合，構建端到端可微分優化管線，使得相機位姿與3DGS場景參數能夠同時優化，顯著提高了系統的跟蹤精度。

此外，研究人員還為Pointmap回歸網絡設計了一種自適應尺度映射器（Adaptive Scale Mapper），能夠更準確地將Pointmap映射到3DGS結構表示中。

在Waymo數據集上的實驗結果表明，OpenGS-SLAM將跟蹤誤差降低至現有3DGS方法的9.8%，并在新視角合成（Novel View Synthesis, NVS）任務上達到了最新的SOTA結果。

效果展示

如下圖所示，在Waymo數據集的無界戶外場景上，該方法能渲染高保真的新視角圖片，準確捕捉車輛、街道和建筑物的細節。相比之下，MonoGS和GlORIE-SLAM存在渲染模糊和失真的問題。

如下圖所示，該方法擁有明顯更優的追蹤性能，在面臨大轉彎時也能穩定收斂。

基本原理

下圖為SLAM方法的管線示意圖，每一幀都會輸入一張 RGB 圖像用于追蹤，當前幀和上一幀作為圖片對輸入到Pointmap回歸網絡進行位姿估計，隨后基于當前的3D高斯地圖進行位姿優化。

在關鍵幀處，系統執行地圖更新，并通過自適應尺度映射器（Adaptive Scale Mapper）對 Pointmap 進行處理，以插入新的3D高斯點。

此外，相機位姿與3D高斯地圖會在局部窗口內進行聯合優化，確保更精準的追蹤與場景重建。

追蹤

幀間點圖回歸與位姿估計

之前基于3DGS和NeRF的SLAM工作，主要集中在室內和小規模場景中，其中相機的運動幅度較小，視角密集。

在這種情況下，NeRF或3DGS可以直接用于優化相機位姿。然而，戶外場景通常涉及基于車輛的攝影，特征是運動幅度較大且視角相對稀疏，使得直接優化相機位姿難以收斂。

鑒于點圖包含視角關系、2D到3D的對應關系和場景幾何信息，研究人員提出了一種基于幀間點圖回歸網絡的位姿估計方法，旨在實現穩健且快速的當前幀相機位姿估計。

研究人員利用一個預訓練的點圖回歸網絡，結合了ViT編碼器、帶有自注意力和交叉注意力層的Transformer解碼器以及一個MLP回歸頭，生成連續幀圖像的點圖，兩個圖像分支之間的信息共享有助于點圖的正確對齊。

盡管應用點圖可能看起來有些反直覺，但它能夠在圖像空間中有效表示3D形狀，并且允許在不同視角的射線之間進行三角測量，而不受深度估計質量的限制。

隨后，使用穩健且廣泛應用的RANSAC和PnP來推斷兩幀之間的相對姿態，使用這種方法，估計第k幀的位姿為

位姿優化

為了實現精確的相機位姿追蹤，研究人員基于3DGS可微光柵化管道，構建一套可微的相機位姿優化方法，定義光度損失為：

其中rr表示每個像素的可微渲染函數，通過高斯GG和相機位姿TCWTCW生成圖像，IˉIˉ表示真實圖像。光度損失LphoLpho關于位姿TCWTCW的梯度為：

通過這些步驟，利用渲染函數的微分，將增量位姿更新與光度損失緊密關聯。這一策略使得相機位姿能夠基于 3DGS 渲染結果 進行端到端優化，從而確保高精度且穩定的位姿跟蹤。

3DGS場景表示

研究人員使用3DGS作為場景表示，提出自適應尺度映射器（Adaptive Scale Mapper），在關鍵幀時為地圖插入新的高斯點。

利用先前獲得的點圖來映射3D高斯地圖，由于幀間點圖存在尺度不穩定的問題，基于點匹配關系計算連續幀之間的相對尺度變化因子，以確保整個場景的尺度一致性。

建圖

高斯地圖優化

研究人員管理一個局部關鍵幀窗口W，以選擇觀察相同區域的非冗余關鍵幀，為后續的建圖優化提供更高效的多視角約束。

在每個關鍵幀上，通過聯合優化W窗口中的高斯屬性和相機位姿來實現局部BA，優化過程仍然通過最小化光度損失進行。

為了減少高斯橢球體的過度拉伸，采用了各向同性正則化：

高斯地圖優化任務可以總結為：

自適應學習率調整

在經典的室內SLAM數據集中，相機通常圍繞小范圍場景運動并形成閉環，使高斯優化的學習率隨迭代次數逐漸衰減。

然而，文中研究的戶外數據由前向車輛相機捕獲，所經過區域不會重訪，因此需要不同的學習率衰減策略。

為此，研究人員提出了一種基于旋轉角度的自適應學習率調整策略：當車輛沿直路行駛時，學習率逐步衰減；在遇到坡道或轉彎時，動態提升學習率，以更有效地優化新場景。

首先，計算當前關鍵幀和上一關鍵幀之間的旋轉矩陣R1和R0，其相對旋轉矩陣為

，接著計算旋轉弧度：

接著將弧度θrad轉換為度數θ，并根據以下公式調整累計迭代次數：

當旋轉角度達到90度時，累積迭代次數將被重置。

實驗結果

精度

該方法在Waymo數據集上實現了新視角合成（NVS）的最佳性能。在追蹤精度方面，與GlORIE-SLAM相當；而相比同樣基于3DGS的SLAM方法MonoGS，誤差降低至9.8%，顯著提升了系統的魯棒性和準確性。

消融研究

下表顯示，自適應學習率調整和自適應尺度映射均對整體性能產生積極影響，而Pointmap回歸網絡更是該方法的核心支撐，對系統性能至關重要。

總結

OpenGS-SLAM是一種基于3DGS表示的RGB-only SLAM系統，適用于無界的戶外場景。該方法將點圖回歸網絡與3DGS表示結合，確保精確的相機姿態跟蹤和出色的新視圖合成能力。

與其他基于3DGS的SLAM系統相比，該方法在戶外環境中提供了更高的跟蹤精度和魯棒性，使其在實際應用中具有較高的實用性。