SING3R-SLAM: Submap-based Indoor Monocular Gaussian SLAM with 3D Reconstruction Priors
Technical University of Munich（慕尼黑工业大学）；Google（谷歌）；Munich Center for Machine Learning（慕尼黑机器学习中心）；VisualAIs
本文提出SING3R-SLAM，通过全局一致的高斯地图和子地图级全局对齐，实现高效的室内单目SLAM与3D重建，实验显示其在姿态估计、3D重建和视图渲染方面性能优异。
2026-04-03 cs.CV cs.RO
Spectral Measurement Sparsification for Pose-Graph SLAM
Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））；Northeastern University（东北大学）
同时定位与地图构建（SLAM）是自主导航中的关键能力，但是为了将SLAM扩展到“终身”SLAM的设置，特别是在存储器或计算约束下，机器人必须能够确定应该保留哪些信息以及可以安全地忘记哪些信息。在基于图的SLAM中，姿态图中的边（测量）的数量决定了存储机器人的观测的存储器要求和部署用于使用这些观测执行状态估计的算法的计算开销;这两者在长期导航期间可以无限增长。为了解决这个问题，我们提出了一个频谱的姿态图稀疏化的方法，最大限度地提高了代数连接的稀疏测量图，一个关键的数量，已被证明控制姿态图SLAM解决方案的估计误差。我们的算法，MAC（“最大化代数连接”），这是基于凸松弛，是简单的，计算成本低，并承认正式的事后性能保证的质量，它提供的解决方案。在基准姿势图SLAM数据集上的实验中，我们表明，与不考虑图连接性的基线方法相比，我们的方法快速产生高质量的稀疏化结果，这些结果保留了图的连接性，进而保留了相应SLAM解决方案的质量。
2022-03-25 cs.RO
Is Semantic SLAM Ready for Embedded Systems ? A Comparative Survey
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能与替代能源委员会）；List（List实验室（CEA下属信息技术与系统实验室））；ENSTA（法国国立高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）
本文从嵌入式部署视角比较了基于几何、NeRF和高斯泼溅的语义SLAM系统，发现语义几何SLAM在精度与效率间最平衡，而高斯泼溅系统资源消耗大，并指出了嵌入式适配的研究空白与未来方向。
2026-09-15 cs.RO
LEGO-SLAM: Language-Embedded Gaussian Optimization SLAM
Department of Intelligent Robotics, Sungkyunkwan University（智能机器人系，成均馆大学）
研究将语言特征集成到基于3DGS的SLAM系统的问题，提出LEGO-SLAM框架，利用场景自适应自动编码器压缩语言嵌入，实现语言引导剪枝和回环检测，提升映射质量和跟踪精度，具备开放词汇能力且达15FPS。
2026-07-15 cs.CV cs.RO
BioSLAM: A Bio-inspired Lifelong Memory System for General Place Recognition
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加州大学圣地亚哥分校）
我们提出了BioSLAM，一个终身的SLAM框架，用于逐步学习各种新的外观，并保持对以前访问过的区域的准确位置识别。与人类不同，人工神经网络遭受灾难性遗忘，当用新到达的人训练时，可能会忘记以前访问过的区域。对于人类，研究人员发现大脑中存在一种记忆重放机制，以保持神经元对以前事件的活跃。受到这一发现的启发，BioSLAM设计了一个门控生成重放，以根据反馈奖励控制机器人的学习行为。具体来说，BioSLAM提供了一种新颖的双记忆机制来进行维护：1）动态记忆，以有效地学习新的观察结果; 2）静态记忆，以平衡新旧知识。当与基于视觉/LiDAR的SLAM系统相结合时，完整的处理管道可以帮助代理增量地更新位置识别能力，对长期位置识别的日益复杂性具有鲁棒性。我们演示了BioSLAM在两个增量SLAM方案。在第一种情况下，基于LiDAR的智能体以120公里的轨迹连续穿越城市规模的环境，并遇到不同类型的3D几何形状（开放的街道，住宅区，商业建筑）。我们表明，BioSLAM可以增量更新代理的位置识别能力，并优于最先进的增量方法，生成重放，24%。在第二个场景中，一个基于LiDAR视觉的智能体以4.5公里的轨迹反复穿越校园规模的区域。BioSLAM算法在不同外观条件下的位置识别准确率均优于现有方法的15%.据我们所知，BioSLAM是第一个记忆增强的终身SLAM系统，有助于在长期导航任务中进行增量位置识别…
2022-08-30 cs.CV cs.LG cs.RO
Distributed Client-Server Optimization for SLAM with Limited On-Device Resources
Facebook Reality Labs Research（Facebook Reality Labs 研究院）；College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
同时定位与地图构建（SLAM）是探索机器人和虚拟/增强现实（VR/AR）设备的关键功能。然而，具有有限资源的此类装置中的一些无法负担运行完整SLAM算法的计算或存储器成本。我们提出了一个通用的客户-服务器的【形】SLAM优化框架，实现了准确的实时状态估计的设备上的低要求的板载资源。资源有限的设备（客户端）只处理地图的一小部分，地图的其余部分由服务器处理。通过向客户端发送地图的其余部分的汇总信息，设备上的状态估计更准确。在存在设备上的早期循环闭包的情况下，实现了准确性的进一步提高，这使得能够将有用的变量从服务器重新加载到客户端。实验结果表明，该优化框架能够在设备计算量和内存预算有限的情况下实现实时的精确估计。
2021-03-26 cs.RO
The SLAM Hive Benchmarking Suite
ShanghaiTech University（上海科技大学）
对同时定位与地图构建（SLAM）算法进行基准测试对于机器人系统的科学家和用户都很重要。但是，通过其在硬件和软件中的许多配置选项，SLAM系统具有科学家迄今为止无法探索的巨大参数空间。建议SLAM蜂巢基准套件是能够分析SLAM算法在1000的映射运行，通过其利用容器技术和部署在一个集群。本文介绍了SLAM Hive的体系结构和开源实现，并将其与现有的SLAM评估工作进行了比较。此外，我们通过在公共数据集上探索一些开源算法的准确性，突出了SLAM Hive的功能。我们相互比较的算法，并评估参数如何影响不仅准确性，而且CPU和内存的使用。通过这一点，我们表明，SLAM Hive可以成为一个必要的工具，适当的比较和评估的SLAM算法，从而推动科学发展的SLAM研究。
2023-03-21 cs.RO
Evaluation of RGB-D SLAM in Large Indoor Environments
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）
同时定位与地图构建（SLAM）是实现移动机器人在未知环境中自主导航的控制系统的关键组成部分。在各种实际情况下，机器人可能需要长途跋涉才能完成任务。这需要SLAM方法的长期工作和构建大型地图。因此，计算负担（包括用于地图存储的高内存消耗）成为瓶颈。事实上，最先进的SLAM算法包括解决这一挑战的特定技术和优化，但它们在长期场景中的性能仍然需要适当的评估。为此，我们进行了两个广泛的国家的最先进的RGB-D SLAM方法，适合于长期导航，即RTAB地图和Voxgraph的实证评估。我们评估他们在一个大型的模拟室内环境，包括走廊和大厅，而不同的里程表噪音更现实的设置。我们提供了定性和定量分析这两种方法，揭示其优点和缺点。我们发现，这两种方法都建立了一个高质量的地图与低里程噪声，但往往失败与高里程噪声。与RTAB-Map相比，Voxgraph的相对轨迹估计误差和内存消耗较小，但绝对误差较大。
2022-12-12 cs.RO
SLAMFormer-$\infty$: Infinite SLAM Transformer for Unbounded Frontend and Backend Processing
该研究提出首个无显式距离约束的几何Transformer SLAMFormer-∞，通过内存条件实现灵活坐标系统，前端高效局部计算、后端全局联合优化，在大规模数据集的轨迹估计与场景重建中性能优异，可适配超17公里的长轨迹。
2026-08-05 cs.CV cs.RO
Co-Located VR with Hybrid SLAM-based HMD Tracking and Motion Capture Synchronization
University of Konstanz（康斯坦茨大学）
提出一种结合动作捕捉与SLAM内向外追踪的共置VR框架，实现低延迟、高精度多用户空间同步，优于现有方案。
2025-09-08 cs.HC cs.RO
SLAMSqueezeBench: Comparing SLAM Systems under Resource Constraints
Simon Fraser University（西蒙弗雷泽大学）；University at Buffalo（布法罗大学）
针对现有SLAM基准缺乏资源约束比较机制的问题，提出SLAMSqueezeBench框架，通过限制计算与内存资源并模拟帧丢失，在边缘硬件上比较九个SLAM系统，涵盖经典、学习及高斯溅射方法。
2026-09-18 cs.RO
Automated Lane Change Behavior Prediction and Environmental Perception Based on SLAM Technology
Santa Clara University（圣克拉拉大学）；Trine University（特里恩大学）；Northeastern University（东北大学）
本文研究SLAM在自动驾驶环境感知与自动换道预测中的应用，比较LIDAR SLAM与视觉SLAM，并结合企业案例说明其对定位、决策和安全体验的提升。
2024-04-06 cs.AI cs.CV cs.RO
D-SLAMSpoof: An Environment-Agnostic LiDAR Spoofing Attack using Dynamic Point Cloud Injection
D-SLAMSpoof是一种通过动态点云注入实现的环境无关激光雷达欺骗攻击，利用扫描匹配原理提升攻击成功率，并提出ISD-SLAM作为仅依赖惯性信号的防御方法，有效缓解位置漂移问题。
2026-03-11 cs.RO
DeepPointMap: Advancing LiDAR SLAM with Unified Neural Descriptors
Fudan University（复旦大学）
针对点云SLAM中定位精度与地图尺寸难以兼顾的问题，本文提出统一架构DeepPointMap，通过神经网络提取稀疏神经描述符，实现内存高效的地图表示与精确多尺度定位，并成功扩展至多智能体协作SLAM。
2023-12-05 cs.CV cs.LG cs.RO
Online Stochastic Variational Gaussian Process Mapping for Large-Scale SLAM in Real Time
KTH Royal Institute of Technology（KTH皇家理工学院）
自主水下航行器（AUV）正在成为科学和工业应用中水下勘探和海底测绘的标准工具\cite{graham2022rapid, stenius2022system}。它们能够不受束缚地潜水，这使它们能够到达水面船只无法到达的区域，并在更靠近海底的地方收集数据，而不管水深如何。然而，它们的导航自主性仍然受到它们的全球位置的航位推算（DR）估计的准确性的限制，在没有该区域的先验地图和GPS信号的情况下严重受限。对于水下领域，存在与后者等效的全球定位系统，例如LBL或USBL。然而，它们涉及昂贵的外部基础设施，其可靠性随着与自主式潜水器的距离而降低，使其不适合深海勘测。
2022-11-10 cs.LG cs.RO
World SLAM Model: Joint World Modeling for SLAM and Navigation
提出World SLAM Model（WSM），将SLAM核心机制融入导航，通过联合训练实现端到端状态维护与几何估计，提升导航性能并保持SLAM精度。
2026-09-29 cs.CV cs.RO
DOOR-SLAM: Distributed, Online, and Outlier Resilient SLAM for Robotic Teams
Polytechnique Montréal（蒙特利尔综合理工学院）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Massachusetts Institute of Technology（麻省理工学院）
分布式同时定位与地图构建（SLAM）是一种不依赖外部定位系统（如GPS）、信息交换最少的机器人定位技术，它为机器人定位提供了一种实用的解决方案。不幸的是，目前的分布式SLAM系统容易受到感知离群值的影响，因此倾向于使用非常保守的参数进行机器人间的位置识别。然而，过于保守的代价是拒绝许多有效的环路闭合候选，这导致不太准确的轨迹估计。本文介绍了DOOR-SLAM，一个完全分布式的SLAM系统与离群拒绝机制，可以与保守的参数。DOOR-SLAM基于点对点通信，不需要机器人之间的完全连接。DOOR-SLAM包括两个关键模块：姿态图优化器与分布式成对一致测量集最大化算法相结合，以拒绝虚假的机器人间环路闭合;以及分布式SLAM前端，其检测机器人间环路闭合而无需交换原始传感器数据。该系统已在模拟，基准数据集和现场实验中进行了评估，包括在GPS拒绝的地下环境中进行的测试。DOOR-SLAM产生更多的机器人间回路闭合，成功地拒绝异常值，并导致准确的轨迹估计，同时需要低通信带宽。完整的源代码可以在https://github.com/MISTLab/DOOR-SLAM.git上找到。
2019-12-05 cs.RO
SceneVGGT: VGGT-based online 3D semantic SLAM for indoor scene understanding and navigation
Pázmány Péter Catholic University（帕梅尼·彼得天主教大学）；Eötvös Loránd University（欧多尼·洛兰德大学）
SceneVGGT基于VGGT实现高效的在线3D语义SLAM，用于室内场景理解和导航，通过滑动窗口管道实现长视频流处理，结合语义映射与SLAM，提升导航的鲁棒性和交互性。
2026-02-19 cs.RO eess.IV
GPL-SLAM: A Laser SLAM Framework with Gaussian Process Based Extended Landmarks
TU Delft（代尔夫特理工大学）；Middle East Technical University（中东技术大学）
本文提出GPL-SLAM框架，利用高斯过程对物体轮廓进行在线递归建模，在完全贝叶斯框架下联合推断机器人位姿与物体地图，实现高效、准确且具有语义信息的激光SLAM。
2025-08-22 cs.RO
Towards Next-Generation SLAM: A Survey on 3DGS-SLAM Focusing on Performance, Robustness, and Future Directions
Beijing Institute of Technology（北京理工大学）；University of Science and Technology Beijing（北京科技大学）；Nanyang Technological University（南洋理工大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文综述了3DGS-SLAM在性能、鲁棒性和未来方向上的关键技术，分析了其在SLAM中的应用及优化方法。
2026-02-04 cs.CV cs.RO
Gaussian-SLAM: Photo-realistic Dense SLAM with Gaussian Splatting
University of Amsterdam（阿姆斯特丹大学）
提出基于3D Gaussians的稠密SLAM方法，通过子地图独立优化与帧到模型相机追踪，实现可扩展的交互式重建与逼真渲染，性能优于现有神经稠密SLAM方法。
2024-03-22 cs.CV cs.RO
NRGS-SLAM: Monocular Non-Rigid SLAM for Endoscopy via Deformation-Aware 3D Gaussian Splatting
Department of Mechanical and Automation Engineering and T Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系和T Stone机器人研究所，香港中文大学）；School of Automation and Intelligent Sensing, the State Key Laboratory of Avionics Integration and Aviation System of-Systems Synthesis, and Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University（自动化与智能感知学院、航空系统集成与航空系统综合国家重点实验室、上海导航与定位服务重点实验室，上海交通大学）
NRGS-SLAM通过变形感知的3D高斯点云实现内窥镜单目非刚性SLAM，有效解决刚性假设与变形耦合问题，提升定位精度与重建质量。
2026-02-19 cs.CV cs.RO
Self-supervised Vector-Quantization in Visual SLAM using Deep Convolutional Autoencoders
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Staffordshire University（斯塔福德郡大学）
在本文中，我们介绍了AE-FABMAP，一个新的自我监督袋的词为基础的SLAM方法。我们还提出了AE-ORB-SLAM，一个修改版本的当前状态的最先进的基于BoW的路径规划算法。也就是说，我们使用了深度卷积自动编码器来查找循环闭包。在词袋视觉SLAM的上下文中，矢量量化（VQ）被认为是SLAM过程中最耗时的部分，其通常使用诸如Kmeans++的无监督算法在SLAM算法的离线阶段执行。我们已经通过集成用于进行矢量量化的自动编码器，以自监督的方式解决了基于BoW的SLAM方法的环路闭合检测部分。这种方法可以提高大规模SLAM的准确性，其中有大量未标记的数据可用。使用自监督的主要优点是它可以帮助减少标签的数量。此外，实验表明，在速度和内存消耗方面，自动编码器远比图卷积神经网络等半监督方法更有效。我们将该方法集成到最先进的基于远程外观的单词视觉袋SLAM，FABMAP 2，也在ORB-SLAM中。实验结果表明，该方法在室内和室外数据集的优越性，在所有情况下，常规FABMAP 2，它实现了更高的准确性，在循环闭合检测和轨迹生成。
2022-07-14 cs.RO
NEDS-SLAM: A Neural Explicit Dense Semantic SLAM Framework using 3D Gaussian Splatting
Harbin Institute of Technology（哈尔滨工业大学）
本文提出NEDS-SLAM，一种基于3D高斯表示的稠密语义SLAM系统，通过空间一致特征融合、紧凑语义特征编码和虚拟视角剪枝，在Replica和ScanNet数据集上实现了具有竞争力的建图与跟踪精度及高质量语义建图。
2024-09-01 cs.CV cs.RO
Keeping Less is More: Point Sparsification for Visual SLAM
Mobiltech（美孚科技（注：Mobiltech暂无统一标准译名，此为常见音译/意译参考））；Bobidi（博比迪（注：Bobidi暂无统一标准译名，此为音译参考））
在将同步地图构建与定位（SLAM）应用于自动驾驶汽车、无人机和增强现实设备等实际应用时，其内存占用和计算成本是限制性能和应用范围的两个主要因素。在基于稀疏特征的SLAM算法中，解决该问题的一种有效方法是通过选择可能对局部和全局光束法平差（BA）有用的点来限制地图点的大小。这项研究提出了一种有效的图形优化稀疏地图点SLAM系统。具体来说，我们制定了一个最大的姿态可见性和最大的空间多样性问题作为一个最小成本最大流图优化问题。所提出的方法作为现有SLAM系统中的附加步骤，因此它可以用于传统的或基于学习的SLAM系统。通过大量的实验评估，我们证明了所提出的方法实现了更准确的相机姿态与约1/3的地图点和1/2的计算。
2022-11-03 cs.CV cs.RO
ProSLAM: Graph SLAM from a Programmer's Perspective
Sapienza University of Rome（罗马第一大学）
在本文中，我们提出了ProSLAM，一个轻量级的立体视觉SLAM系统设计简单。我们的工作源于作者在向学生教授SLAM时收集的经验，旨在提供一个易于实现和理解的高度模块化的系统。而不是专注于众所周知的立体视觉SLAM的数学方面，在这项工作中，我们突出的数据结构和算法方面，需要解决这样一个系统的设计。我们实现了ProSLAM使用C++程序设计语言结合一组最小的众所周知的外部库。除了一个开源实现之外，我们还提供了几个代码片段，直接在本文中解决我们方法的核心问题。在标准基准数据集上进行的彻底验证的结果表明，我们的方法实现了与最先进的方法相当的精度，同时需要的计算资源大大减少。
2017-09-13 cs.RO
Online Global Loop Closure Detection for Large-Scale Multi-Session Graph-Based SLAM
Interdisciplinary Institute of Technological Innovation (3IT)（技术创新跨学科研究所（3IT））；Université de Sherbrooke（谢布鲁克大学）
本文提出一种结合全局闭环检测的基于图的SLAM系统，采用内存管理方法仅考虑部分地图以满足在线处理要求，解决了大规模多-session建图中的未知初始定位问题。
2024-07-22 cs.RO
Information-based Active SLAM via Topological Feature Graphs
Qualcomm Research（高通研究院）
主动SLAM是主动规划机器人路径的任务，同时构建地图并进行定位。现有的工作集中在规划路径与占用网格地图，不缩放以及遭受长期漂移。本文提出了一种拓扑特征图（Topological Feature Graph，TFG）表示方法，该方法具有良好的可扩展性，并利用该方法开发了一种主动SLAM算法。TFG使用图形模型，利用变量之间的独立性，并利用单个熵度量统一量化勘探和开发收益。因此，它促进了地图探索和细化之间的自然和原则性平衡。概率路标路径规划器用于实时的生成机器人路径。实验结果表明，所提出的方法实现了更好的准确性比一个标准的网格地图为基础的方法，而需要的数量级更少的计算和内存资源。
2016-08-29 cs.RO
InterpolationSLAM: A Novel Robust Visual SLAM System in Rotational Motion
近年来，视觉SLAM在不同场景下都取得了长足的进步和发展，但仍有许多问题需要解决。SLAM系统不仅受到外部场景的限制，还受到其运动模式的影响，如运动速度，旋转运动等。作为最优秀的帧内插网络的代表，Sepconv-slomo和EDSC可以预测前一帧和当前帧之间的高质量中间帧。直观地说，帧内插技术可以丰富图像序列的信息，而图像序列的数量受摄像机帧速率的限制，从而降低了SLAM系统的失败率。在这篇文章中，我们提出了一个InterpolationSLAM框架。InterpolationSLAM在单目和RGB-D配置的旋转运动中具有鲁棒性。通过检测旋转并在旋转位置处执行插值处理，可以更准确地估计系统的位姿，从而提高SLAM系统在旋转运动中的准确性和鲁棒性。
2021-10-22 cs.RO
Offline and Online calibration of Mobile Robot and SLAM Device for Navigation
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Microsoft（微软）
需要机器人导航技术来完成各种环境中的困难任务。在导航中，需要了解外界环境的信息以及机器人在环境中的状态。另一方面，已经对SLAM技术进行了各种研究，SLAM技术也用于导航，但也应用于混合现实等的设备。在本文中，我们提出了一种机器人设备校准方法，用于使用机器人上的SLAM技术的设备进行导航。通过使用机器人和设备给出的位置和方向信息来执行校准。在标定过程中，根据机器人运动的约束条件，明确了最有效的运动方式。此外，我们还展示了一种方法来动态校正的位置和方向的机器人，使外部环境的信息和机器人的形状信息保持一致性，以减少在导航过程中发生的动态误差。我们的方法可以很容易地用于各种类型的机器人和定位与足够的导航精度是可能的离线校准和在线位置校正。在实验中，我们确定了由两种类型的离线校准获得的参数，根据自由度的机器人的运动和在线校正方法的有效性，通过绘制局部位置误差在机器人的激烈运动。最后，我们展示了使用SLAM设备的导航演示。
2018-04-13 cs.CV cs.RO
Open-Vocabulary Online Semantic Mapping for SLAM
University of Zaragoza（萨拉戈萨大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出OVO，一种基于CLIP的开放词汇在线三维语义建图流程，具有低计算和内存开销，优于现有方法，并首次集成到SLAM后端实现端到端建图。
2025-09-29 cs.CV cs.RO
COVINS: Visual-Inertial SLAM for Centralized Collaboration
ETH Zurich（苏黎世联邦理工学院）
协作SLAM使一组代理能够同时共同定位并联合映射环境，从而通过消除对外部基础设施或预建地图的需求，为多机器人感知和多用户AR体验的广泛应用铺平了道路。本文介绍了COVINS，一种新型的协作SLAM系统，它可以在大型环境中实现多代理，可扩展的SLAM，并为超过10个代理的大型团队提供支持。这里的范例是每个代理独立地在船上运行视觉惯性里程，以确保其自主性，同时与运行在强大的本地PC或远程云服务器上的COVINS服务器后端共享地图信息。服务器后端根据贡献的数据建立准确的协作全局估计，通过位置识别、全局优化和去除冗余数据来细化联合估计，以确保准确且高效的SLAM过程。对COVINS的全面评估揭示了协作SLAM估计的准确性提高，以及在去除冗余信息和减少协调开销方面的效率，并展示了在12个代理联合执行SLAM的大规模任务中的成功操作。
2021-08-12 cs.CV cs.MA cs.RO
Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems
Polytechnique Montréal（蒙特利尔理工学院）
本文提出开源多机器人协同SLAM系统Swarm-SLAM，通过稀疏去中心化架构和回环闭合优先级排序技术，在减少通信的同时加速收敛，支持多种传感器并在多数据集和真实三机器人实验中验证。
2024-01-12 cs.CV cs.RO
SLAM in the Field: An Evaluation of Monocular Mapping and Localization on Challenging Dynamic Agricultural Environment
DFKI - German Research Center for Artificial Intelligence（德国人工智能研究中心）
本文展示了一个系统，能够结合稀疏，间接，单目视觉SLAM，离线和实时多视图立体视觉（MVS）重建算法。这种组合克服了在农业环境中使用的自动驾驶车辆或机器人遇到的许多障碍，例如过度重复的模式，需要非常详细的重建以及由不平坦的道路引起的突然移动。此外，单目SLAM的使用使得我们的系统更容易与现有设备集成，因为我们不依赖于LiDAR（其昂贵且耗电）或立体相机（其校准对外部扰动敏感，例如相机被移位）。据我们所知，本文提出了单目SLAM的第一个评估结果，我们的工作进一步探索了无监督深度估计在这个特定的应用场景，通过模拟RGB-D SLAM解决规模模糊，并显示我们的方法产生重建，有助于各种农业任务。此外，我们强调，我们的实验提供了有意义的见解，以改善农业环境下的单眼SLAM系统。
2020-11-06 cs.CV cs.RO
AgriGS-SLAM: Orchard Mapping Across Seasons via Multi-View Gaussian Splatting SLAM
Dipartimento di Bioingegneria, Elettronica e Informazione, Politecnico di Milano（生物工程、电子与信息系，米兰理工大学）；Agricultural Biosystems Engineering, Wageningen University & Research（农业生物系统工程，瓦赫宁根大学与研究）
提出AgriGS-SLAM框架，结合激光雷达里程计与多相机3D高斯泼溅，解决果园跨季节实时3D建图问题，实现更清晰稳定的重建与轨迹。
2025-10-30 cs.CV cs.RO
LangGS-SLAM: Real-Time Language-Feature Gaussian Splatting SLAM
Sungkyunkwan University, Suwon, South Korea（釜山大学）
LangGS-SLAM通过实时语言-特征高斯点云SLAM实现高保真度的3D重建与语义映射。
2026-01-28 cs.CV cs.RO eess.IV
Semi-supervised Vector-Quantization in Visual SLAM using HGCN
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Staffordshire University（斯塔福德郡大学）
本文介绍了两种半监督的基于外观的闭环检测技术：HGCN-FABMAP和HGCN-BoW。此外，提出了对当前最先进的定位SLAM算法ORB-SLAM的扩展。建议HGCN-FABMAP方法实现了离线的方式，结合贝叶斯概率模式的环路检测决策。具体来说，我们让一个双曲图卷积神经网络（HGCN）在SURF特征图空间上操作，并执行SLAM过程的矢量量化部分。这部分以前是使用HKmeans、kmeans++、.等算法以无监督的方式执行的。使用HGCN的主要优点是它在图的边数上线性缩放。实验结果表明，HGCN-FABMAP算法需要比HGCN-ORB更多的聚类中心，否则无法检测到循环闭合。因此，我们认为HGCN-ORB是更有效的内存消耗方面，我们也得出了HGCN-BoW和HGCN-FABMAP相对于其他算法的优越性。
2022-07-14 cs.CV cs.RO
Memory Management for Real-Time Appearance-Based Loop Closure Detection
Université de Sherbrooke（谢布鲁克大学）
本文提出一种基于内存管理的实时回环检测方法，通过将每次新观测的计算时间限制在固定上限内，解决了SLAM中因地图规模增长导致处理延迟的问题，并在四个标准数据集上验证了其适应性和可扩展性。
2024-07-22 cs.CV cs.RO
MirrorDrift: Actuated Mirror-Based Attacks on LiDAR SLAM
MirrorDrift利用可动平面镜产生鬼点，通过镜面反射攻击LiDAR SLAM，导致定位误差显著增加。
2026-03-11 cs.RO
eSLAM: An Energy-Efficient Accelerator for Real-Time ORB-SLAM on FPGA Platform
Beihang University（北京航空航天大学）；Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University（北京航空航天大学大数据与脑计算北京高级创新中心）；Duke University（杜克大学）
同时定位与地图构建（SLAM）是实现自主导航的关键任务。然而，由于SLAM算法的计算复杂度，在低功耗平台上实现实时性非常困难（Oriented-FAST and Rotated- BRIEF）的视觉SLAM系统，在FPGA平台上加速了最耗时的特征提取和匹配阶段，原始ORB描述符模式被改造为旋转对称方式，这对硬件友好得多。进一步利用包括重新调度和并行化的优化来提高吞吐量并减少内存占用。与TUM数据集上的Intel i7和ARM Cortex-A9 CPU相比，我们的FPGA实现分别实现了高达3倍和31倍的帧速率提升，以及高达71倍和25倍的能效提升。
2019-06-03 cs.CV cs.RO eess.IV
PlaneSLAM: Plane-based LiDAR SLAM for Motion Planning in Structured 3D Environments
Stanford（斯坦福大学）
LiDAR传感器是在未知环境中进行机器人同时定位与地图构建（SLAM）的强大工具，但它们产生的原始点云密集，存储计算成本高，不适合下游自主任务（如运动规划）直接使用。为了与运动规划集成，期望SLAM管线产生轻量几何地图表示。这种表示也特别适合人造环境，通常可以被视为建立在笛卡尔网格上的所谓“曼哈顿世界”。在这项工作中，我们提出了一个三维激光雷达SLAM算法的曼哈顿世界环境中提取平面特征点云，实现轻量级，实时定位和映射。我们的方法产生基于平面的地图，占用显着较少的内存比他们的点云等价物，并适合于快速碰撞检查运动规划。通过利用曼哈顿世界假设，我们的目标是提取正交平面来生成比现有的基于平面的LiDAR SLAM方法更结构化和组织化的地图。我们在高保真AirSim模拟器和配备Velodyne LiDAR的地面漫游车的真实实验中展示了我们的方法。对于这两种情况，我们能够以与10 Hz的传感器速率相匹配的速率生成高质量的地图和轨迹估计。
2022-09-29 cs.RO
VGGT-SLAM++
Indian Institute of Technology Delhi（印度理工学院德里分校）；Addverb Technologies；Brown University（布朗大学）
VGGT-SLAM++结合视觉几何基础变换器的几何丰富输出，通过空间校正后端实现高频率局部捆绑调整，提升大规模映射精度与内存效率。
2026-04-08 cs.CV cs.RO
SKiD-SLAM: Robust, Lightweight, and Distributed Multi-Robot LiDAR SLAM in Resource-Constrained Field Environments
Dept. Electr. and Comput. Eng.（电子与计算机工程系）；Inha University（inha大学）；Laboratory for Information & Decision Systems (LIDS)（信息与决策系统实验室）；Massachusetts Institute of Technology（麻省理工学院）
针对野外环境下分布式激光雷达SLAM的资源受限与关联误差问题，提出轻量鲁棒的SKiD-SLAM多机器人建图框架，经多场景实验验证性能优于现有方法，具备野外应用潜力。
2025-07-30 cs.RO
Autonomous Underwater Cognitive System for Adaptive Navigation: A SLAM-Integrated Cognitive Architecture
Department of Computational Mathematics University of Moratuwa（计算数学系大学莫图瓦）
针对深海勘探中动态水下环境的导航难题，本文提出集成SLAM与Soar认知架构的AUCS系统，融合多传感器数据与认知推理模块，实现感知-认知-行动-学习闭环，提升深海自主导航的安全性与可靠性。
2025-11-14 cs.AI cs.AR cs.RO
MAC: Graph Sparsification by Maximizing Algebraic Connectivity
Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））；Stevens Institute of Technology（史蒂文斯理工学院）；Northeastern University（东北大学）
针对长期图优化 SLAM 中位姿图边数无限增长的问题，提出 MAC 算法，通过最大化代数连通性进行高效图稀疏化，并提供事后质量保证。
2024-08-02 cs.RO
Visual-Inertial SLAM for Unstructured Outdoor Environments: Benchmarking the Benefits and Computational Costs of Loop Closing
本文基准评估了多种开源视觉-惯性SLAM系统在非结构化室外环境中的性能，重点分析回环检测对定位精度与计算成本的影响，并考察帧率的作用，为移动机器人嵌入式应用提供优化依据。
2025-03-07 cs.CV cs.RO
HuMemSLAM: Efficient Human-Inspired Semantic Place Recognition for Robust Visual SLAM
Oxford Brookes University（牛津布鲁克斯大学）
针对传统视觉SLAM在感知混叠和变化下的脆弱性，本文提出类人语义地点识别方法HuMem-VPR并集成到ORB-SLAM3形成HuMemSLAM，利用自下而上感知与自上而下推理结合，实现高准确率、低延迟的地点识别，显著提升召回率并减少几何后端负担。
2026-09-16 cs.CV cs.RO
SLAMesh: Real-time LiDAR Simultaneous Localization and Meshing
The Hong Kong Polytechnic University（香港理工大学）；Zhejiang University of Science and Technology（浙江科技学院）
大多数当前的LiDAR同时定位与地图构建（SLAM）系统在点云中构建地图，点云在放大时是稀疏的，即使它们在人眼看来是密集的。密集地图对于机器人应用（如基于地图的导航）至关重要。近年来，由于存储成本低，网格已成为一种有吸引力的稠密映射模型。然而，现有的方法通常通过使用离线后处理步骤来生成网格地图来产生网格地图。这种两步流水线不允许这些方法在线使用构建的网格地图，并使本地化和网格化能够相互受益。为了解决这个问题，我们提出了第一个只有CPU的实时的【形】LiDAR SLAM系统，可以同时构建网格地图和执行定位对网格地图。提出了一种新的基于高斯过程重构的直接网格划分策略，实现了网格图的快速生成、配准和更新。我们在几个公共数据集上进行了实验。实验结果表明，SLAM系统可以在$40$ Hz左右工作。定位和网格精度也优于最先进的方法，包括TSDF映射和泊松重建。我们的代码和视频演示可在https://github.com/lab-sun/SLAMesh上获得。
2023-03-09 cs.RO
H-SLAM: Hybrid Direct-Indirect Visual SLAM
American University of Beirut（贝鲁特美国大学）；University of Waterloo（滑铁卢大学）
针对现有混合单目SLAM需双地图维护、易漂移且成本高的问题，提出基于描述子共享的单一逆深度表示H-SLAM，在降低资源消耗的同时保持了与前沿方法相当的性能。
2023-06-12 cs.CV cs.RO
GeoGS-SLAM: Online Monocular Reconstruction Using Gaussian Splatting with Geometric Priors
State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University（工业控制技术国家重点实验室，浙江大学控制科学与工程学院）；Key Laboratory of Collaborative Sensing and Autonomous Unmanned Systems of Zhejiang Province（浙江省协同感知与自主无人系统重点实验室）
研究提出GeoGS-SLAM在线单目密集重建系统，结合3DGS地图表示与几何先验。利用前馈模型预测先验，通过采样扩展地图，粗到细优化姿态和地图，纳入回环检测与姿态图优化，实验表明其在质量、精度和实时性上优于现有方法。
2026-07-14 cs.RO
3D Foundation Model-Based Loop Closing for Decentralized Collaborative SLAM
Department of Computer and Software Engineering, Polytechnique Montréal（计算机与软件工程系，蒙特利尔理工学院）；Oxford Robotics Institute, Dept. of Engineering Science, University of Oxford（牛津大学机器人研究所，工程科学系）
本文提出基于3D基础模型的分布式协作SLAM回环闭合方法，通过整合基础模型提升多机器人建图的鲁棒性和效率。
2026-02-02 cs.RO
NanoSLAM: Enabling Fully Onboard SLAM for Tiny Robots
Integrated Systems Laboratory of ETH Zürich（苏黎世联邦理工学院集成系统实验室）；Center for Project-Based Learning of ETH Zürich（苏黎世联邦理工学院项目导向学习中心）；Department of Electrical, Electronic and Information Engineering of University of Bologna（博洛尼亚大学电子、电子与信息工程系）
本文提出NanoSLAM，一种专为资源受限的微型机器人设计的轻量级端到端SLAM方法，在仅87.9 mW功耗下实现4.5 cm建图精度和小于250 ms的执行时间。
2025-05-28 cs.RO
A Collaborative Visual SLAM Framework for Service Robots
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Intel Corporation（英特尔公司）
我们提出了一个协同视觉同时定位与地图构建（SLAM）框架服务机器人。通过边缘服务器维护地图数据库并执行全局优化，每个机器人都可以注册到现有地图，更新地图或构建新地图，所有这些都具有统一的接口和低计算和内存成本。我们设计了一个优雅的通信管道，使机器人之间的实时信息共享。在服务器上使用一种新的地标组织和检索方法，每个机器人可以获取预测在其视图中的地标，以增强其本地地图。该框架足够通用，可以支持RGB-D和单目相机，以及具有多个相机的机器人，同时考虑到相机之间的刚性约束。该框架已经完全实现，并通过公共数据集和现场实验进行了验证。
2021-08-22 cs.CV cs.RO
A survey on real-time 3D scene reconstruction with SLAM methods in embedded systems
IBISC, Univ Evry, Université Paris-Saclay（巴黎萨克雷大学埃夫里大学IBISC实验室）
本文综述了在资源受限嵌入式硬件上实现基于视觉的SLAM 3D场景重建流程，探讨了网格与体素表示、深度学习应用及资源限制下的高级功能实现，并指出精度与资源消耗的权衡是当前开放的研究问题。
2023-09-11 cs.RO eess.IV
