Con el fin de mejorar la robustez de la localización de plataformas no tripuladas en entornos de campo de batalla dinámicos, la calidad de la reconstrucción de escenas y la capacidad de renderizado en tiempo real. Ante el doble desafío de que los algoritmos tradicionales de localización y mapeo simultáneo (Simultaneous Localization and Mapping, SLAM) presentan deriva en la localización en entornos dinámicos, y que las nubes de puntos esparcidos o mapas de vóxeles dificultan la visualización 3D y el renderizado de alta calidad, se propone un sistema SLAM semántico en tiempo real GS-SLAM que fusiona un frontend semántico dinámico robusto y un backend de mapeo por salpicaduras gaussianas 3D. El frontend utiliza el algoritmo SOLOv2 ligero basado en la red troncal MobileNetV2 mejorada para realizar segmentación semántica en tiempo real; sobre esta base, se propone una restricción de coherencia epipolar de tres cuadros y una restricción geométrica de doble umbral para escenas degradadas, construyendo un mecanismo de compensación de detección perdida basado en la hipótesis de movimiento uniforme y reproyección de contornos 3D, logrando la eliminación efectiva de puntos dinámicos característicos. El backend diseña un hilo independiente y asíncrono de mapeo gaussiano 3D, proponiendo una estrategia de fusión consistente de máscaras dinámicas en ventana deslizante, para realizar estadísticas temporales de resultados de detección semántica y geométrica multi-cuadro; construye un mecanismo adaptativo de selección que fusiona el número de puntos coincidientes con la estabilidad del seguimiento, filtrando cuadros clave de alta calidad para construir un modelo gaussiano 3D estático en escenas dinámicas, logrando procesamiento en tiempo real y renderizado de alta calidad. Los resultados experimentales muestran que en secuencias de alta dinámica del conjunto de datos TUM, el error absoluto de trayectoria se reduce significativamente en comparación con ORB-SLAM2 original (reducción superior al 99%) y el error relativo de pose también disminuye más del 93%; también se obtienen buenos resultados en el conjunto de datos Bonn; tiene mejor precisión de localización en comparación con algoritmos avanzados similares.

Salpicaduras gaussianas 3D; entorno dinámico; segmentación semántica; eliminación de características dinámicas; compensación de detección perdida