Um die Robustheit der Positionsbestimmung unbemannter Plattformen in dynamischen Schlachtfeldumgebungen, die Qualität der Szenerekonstruktion und die Echtzeit-Rendering-Fähigkeit zu verbessern. Angesichts der doppelten Herausforderung traditioneller Echtzeit-Lokalisierungs- und Kartierungsalgorithmen (Simultaneous Localization and Mapping, SLAM), die in dynamischen Umgebungen zu Positionsabweichungen neigen und bei denen spärliche Punktwolken oder Voxel-Karten eine hochqualitative 3D-Visualisierung und -Darstellung nur begrenzt unterstützen, wird ein Echtzeit-semantisches SLAM-System GS-SLAM vorgeschlagen, das einen robusten dynamischen semantischen Frontend mit einem 3D-Gaußschen Splat-Mapping Backend kombiniert. Das Frontend verwendet den leichtgewichtigen SOLOv2-Algorithmus basierend auf einem verbesserten MobileNetV2-Backbone zur Echtzeit-sematischen Segmentierung; darauf aufbauend werden eine dreiframe-Epipolarkonsistenz-Constraint und eine doppelschwellen-geometrische Constraint für degradierte Szenen vorgeschlagen, um einen Fehlendetektionsausgleichsmechanismus auf Basis der Annahme konstanter Geschwindigkeit und 3D-Konturreprojektion zu konstruieren und so dynamische Merkmalspunkte effektiv zu entfernen. Das Backend entwirft einen unabhängigen asynchronen 3D-Gauß-Mapping-Thread und schlägt eine Sliding-Window-konsistente dynamische Masken-Fusionsstrategie vor, um zeitliche Statistiken über mehrfache semantische und geometrische Erkennungsergebnisse zu erhalten; ein adaptiver Selektionsmechanismus, der die Anzahl der Übereinstimmungspunkte mit der Tracking-Stabilität kombiniert, wird erstellt, um hochwertige Schlüsselbilder herauszufiltern und in dynamischen Szenen ein statisches 3D-Gauß-Modell zu erstellen, um Echtzeitverarbeitung und qualitativ hochwertiges Rendering zu ermöglichen. Experimentelle Ergebnisse zeigen, dass in hochdynamischen Sequenzen des TUM-Datensatzes der absolute Trajektorienfehler im Vergleich zu ORB-SLAM2 deutlich reduziert wird (Reduktion um mehr als 99 %), und der relative Posefehler um mehr als 93 % sinkt; auch im Bonn-Datensatz wurden gute Ergebnisse erzielt; es übertrifft vergleichbare fortschrittliche Algorithmen hinsichtlich der Lokalisierungsgenauigkeit.

3D-Gauß-Splatting; dynamische Umgebung; semantische Segmentierung; dynamische Merkmalsentfernung; Fehlendetektionskompensation