Afin d'améliorer la robustesse de la localisation des plateformes sans pilote dans des environnements dynamiques de combat, la qualité de la reconstruction des scènes et la capacité de rendu en temps réel. Face au double défi des algorithmes traditionnels de localisation et cartographie simultanées (Simultaneous Localization and Mapping, SLAM) qui présentent des dérives de localisation en environnement dynamique et l’incapacité des nuages de points clairsemés ou des cartes voxels à supporter une visualisation et un rendu 3D de haute qualité, nous proposons un système SLAM sémantique en temps réel GS-SLAM intégrant un front-end sémantique dynamique robuste et un back-end de cartographie par éclaboussures gaussiennes 3D. Le front-end utilise l’algorithme SOLOv2 allégé basé sur un backbone MobileNetV2 amélioré pour réaliser une segmentation sémantique en temps réel ; sur cette base, nous proposons une contrainte de cohérence épipolaire sur trois images et une contrainte géométrique à double seuil pour les scènes dégénérées, construisant un mécanisme de compensation des détections manquées basé sur l’hypothèse de mouvement uniforme et la reprojection des contours 3D, permettant une élimination efficace des points caractéristiques dynamiques. Le back-end conçoit un thread de cartographie gaussienne 3D asynchrone indépendant et propose une stratégie de fusion dynamique de masques cohérents en fenêtre glissante, effectuant des statistiques temporelles des résultats de détection sémantiques et géométriques multi-images ; un mécanisme adaptatif de sélection intégrant le nombre de points correspondants et la stabilité du suivi est construit pour filtrer les clés de haute qualité et construire un modèle gaussien 3D statique dans les scènes dynamiques, réalisant un traitement en temps réel et un rendu de haute qualité. Les résultats expérimentaux montrent que, sur les séquences à forte dynamique du dataset TUM, l’erreur absolue de trajectoire est significativement réduite par rapport à ORB-SLAM2 original (jusqu’à plus de 99 % de réduction), et l’erreur relative de pose est réduite de plus de 93 % ; de bons résultats sont également obtenus sur le dataset Bonn ; la précision de localisation est meilleure que celle des algorithmes avancés similaires.

Spray gaussien 3D; environnement dynamique; segmentation sémantique; élimination des caractéristiques dynamiques; compensation des détections manquées