Para melhorar a robustez do posicionamento de plataformas não tripuladas em ambientes dinâmicos de campo de batalha, a qualidade da reconstrução de cenas e a capacidade de renderização em tempo real. Diante do duplo desafio dos algoritmos tradicionais de localização e mapeamento simultâneos (Simultaneous Localization and Mapping, SLAM), que apresentam deriva na localização em ambientes dinâmicos e a dificuldade de nuvens de pontos esparsas ou mapas de voxel em suportar visualização 3D de alta qualidade e renderização, propõe-se um sistema SLAM semântico em tempo real, GS-SLAM, que integra uma frente robusta semântica dinâmica e um backend de mapeamento gaussiano 3D por espargimento. A frente utiliza o algoritmo SOLOv2 leve baseado no backbone MobileNetV2 aprimorado para realizar segmentação semântica em tempo real; com base nisso, propõe-se uma restrição de consistência epipolar em três quadros e restrição geométrica de duplo limiar para cenas degradadas, construindo um mecanismo de compensação de detecção perdida baseado na hipótese de movimento com velocidade constante e re-projeção de contornos 3D, realizando a remoção eficaz de pontos de características dinâmicas. O backend projeta um thread independente e assíncrono de mapeamento gaussiano 3D, propõe uma estratégia de fusão consistente de máscaras dinâmicas em janela deslizante, realiza estatísticas temporais de resultados de detecção semântica e geométrica em múltiplos quadros; constrói um mecanismo adaptativo de seleção que integra o número de pontos correspondentes e a estabilidade do rastreamento para filtrar quadros-chave de alta qualidade, construindo um modelo gaussiano 3D estático em cenas dinâmicas, realizando processamento em tempo real e renderização de alta qualidade. Os resultados experimentais mostram que em sequências altamente dinâmicas do conjunto de dados TUM, o erro absoluto da trajetória foi significativamente reduzido em comparação com o ORB-SLAM2 original (redução superior a 99%), e o erro relativo da pose também diminuiu mais de 93%; bons resultados também foram obtidos no conjunto de dados Bonn; apresenta melhor precisão de localização em comparação com algoritmos avançados semelhantes.

Espargimento gaussiano 3D; ambiente dinâmico; segmentação semântica; remoção de características dinâmicas; compensação de detecção perdida