《Advances in Space Research》：Enhanced Gaussian Splatting SLAM for Lunar Exploration Using Landmark-Centric Re-Localization
编辑推荐：
摘要构建高质量的三维地图，并确定探测器相对于该地图的精确姿态，是月球表面探测任务的重要前提。传统的机器人同步定位与建图（SLAM）方法难以通过单一传感器（如RGB-D相机）实现高密度的三维映射和高精度定位。为此，我们提出了一种基于3D高斯泼溅算法的月球探测器密集SLAM方法，该方
摘要
构建高质量的三维地图，并确定探测器相对于该地图的精确姿态，是月球表面探测任务的重要前提。传统的机器人同步定位与建图（SLAM）方法难以通过单一传感器（如RGB-D相机）实现高密度的三维映射和高精度定位。为此，我们提出了一种基于3D高斯泼溅算法的月球探测器密集SLAM方法，该方法利用局部地标信息，同时实现6自由度姿态估计和地图优化。首先，通过基于3D高斯泼溅算法的SLAM方法对探测器探测系统进行初始化，该算法采用一种新的3D高斯密度量化指标，以解决月球表面非结构化环境中的地图缺失问题。通过查询与观测到的地标最为匹配的3D高斯泼溅子图，再对渲染图像与真实图像进行PnP计算，从而实现探测器的精确重定位。最后，根据重定位结果调整局部地图中的3D高斯参数，实现对三维地图的精细优化。通过数值模拟和实验测试评估了所提方法的性能，结果表明该方法在月球探测器地图质量和定位精度方面均达到了先进水平。
引言
月球作为地球唯一的天然卫星，拥有丰富的矿产资源以及独特的太空环境，因此成为物质资源勘探和天文研究的理想场所。自美国的阿波罗计划以来，全球对月球探测的兴趣始终不减（Jakhu等人，2017；Ehrenfreund等人，2012；Khan，2022）。尽管轨道飞行器对这些任务至关重要，但深入探索月球表面仍依赖于月球探测器的实地考察。这一任务中的关键挑战在于月球地形的三维重建。目前，月球探测器依靠自主导航与地球远程控制相结合的方式工作。探测器在月球表面拍摄的图像被传回地球后，由地面系统进行后期处理，从而以离线方式实现月球表面的三维重建。这样的流程有助于完成地形分析（Zhou等人，2018）、障碍物检测（Zhou等人，2023）以及探测器轨迹跟踪（Daftry等人，2023）等关键功能。三维表面重建技术对于提升探测器的自主导航能力至关重要。精确的三维地图是实现探测器精确定位和安全路径规划的前提，而在自主月球表面探测任务中，这一点起着不可或缺的作用。
传统的三维地图表示方法大致可分为三类：基于体素的表示方法（Brock等人，2016；Gadelha等人，2017）、基于点的表示方法（Achlioptas等人，2018；Fan等人，2017）以及基于网格的表示方法（Kanazawa等人，2018；Ranjan等人，2018）。体素在欧几里得空间中构成有序结构，可视为二维像素向三维空间的自然延伸。由于其规则的结构，体素与标准的深度学习架构十分兼容，不过近年来，深度几何学习领域更倾向于使用基于点的神经网络（Qi等人，2017）或Transformer模型（Wang等人，2025）。尽管体素适合用于三维卷积神经网络，但由于其内存消耗会随着分辨率的提高而呈立方增长，存在内存效率低的问题。自适应表示方法虽然能够降低内存负担，但会增加实现的复杂性。相比之下，点云是由包含空间坐标、强度值和时间戳等各种信息的3D点组成的无序集合。虽然点云易于获取，但通常缺乏点与点之间的明确关联，从而导致纹理信息不足。而网格则通过顶点、边和面来描述表面几何结构，为3D世界提供了更为结构化的表示方式。不过，目前的网格表示方法往往依赖于模板网格的变形（Wang等人，2018；Gkioxari等人，2019），这限制了它们的灵活性，也无法实现任意拓扑结构。
传统的三维表示方法虽能很好地捕捉月球表面场景的几何特征，但在重建精细纹理细节方面存在不足。为了解决这一问题，Mildenhall等人（2021）提出了一种名为神经辐射场的新颖三维几何表示方法。神经辐射场通过训练多层感知器，利用多视角图像及其对应的内部和外部参数，生成包含详细纹理的3D隐式模型。然而，由于训练过程中需要大量的前后向神经网络传播，神经辐射场用于三维环境重建时耗时较长，因此并不适用于月球探测器探测任务中的实时三维映射。为应对这一挑战，Kerbl等人（2023）提出了一种新的三维重建技术——3D高斯泼溅算法，该算法利用径向场以显式方式表示场景。与神经辐射场相比，3D高斯泼溅算法在三维重建质量上可与Mip-NeRF 360（Barron等人，2022）相媲美，同时大幅提升了处理效率，其处理时间从小时级缩短至分钟级。鉴于3D高斯泼溅算法在三维场景表示方面的出色表现，众多研究开始聚焦于基于该算法的SLAM方法。这些进展使得月球探测器能够实时重建纹理丰富的高密度月球表面地图。
现有的基于3D高斯泼溅算法的SLAM方法更注重实时性能而非映射精度。月球表面特征的稀疏性和非结构性会导致地图质量下降，进而影响姿态估计的精度。这在长途探测任务中常常导致跟踪失效，给月球探测器的安全运行带来重大风险。基于3D高斯泼溅算法的SLAM系统的效率主要受限于大量观测图像的实时渲染过程。为了同时保证地图质量和跟踪精度，本研究提出了一种全新的基于3D高斯泼溅算法的月球表面地图构建框架。传统的3D高斯泼溅SLAM系统在特征稀疏且视觉上较为均匀的月球地形中容易出现严重的跟踪丢失问题。为了解决这一特定问题，该框架采用了基于地标的视觉重定位方法，并结合了专门设计的地标评估机制，从而实现了局部核心位置地图的优化以及姿态估计的校正，有效控制了在无约束光照环境下的里程计漂移。首先，SplaTAM（Keetha等人，2024）被用作月球探测器定位和地图构建的底层导航系统。在此基础上，我们建立了基于YOLOv10的地标检测算法，并设计了地标选择标准，用于筛选和识别最适合作为探测器重定位参考的对象。最后，我们提出了一种基于地标的重定位技术，用于在长途行进过程中校正探测器的姿态，同时还配备了在线3D高斯泼溅地图优化机制，以保持地图构建的高质量。综上所述，我们的主要贡献如下：
- •
我们提出了一种专为月球探测器设计的基于3D高斯泼溅算法的密集SLAM框架，该框架能够克服特征稀疏环境中的跟踪缺陷，相比传统的稀疏点云方法，可实现更为逼真的三维表面重建效果。
- •
我们设计了一种专门的地标评估方法，该方法综合考虑了光照、占据状态以及特征分布等指标，能够从高度均匀的月球表土中准确提取出具有明显视觉差异的导航基准点。
- •
我们开发了一种紧密耦合的视觉重定位机制，该机制能够将检测到的地标与动态查询的3D高斯泼溅子图对应起来，从而有效控制里程计漂移，同时不断优化局部高斯参数，实现姿态和地图的同步优化。
本文的其余部分结构如下：第2节简要介绍相关研究；第3节详细介绍所提方法的实现流程；第4节展示仿真和实验结果；最后，第5节总结结论并指出未来研究方向。
章节要点
物体检测
用于视觉定位的地标物体需要通过物体检测算法进行分类和筛选。物体检测的输出通常包括一系列紧密包围目标物体的边界框，以及相应的分类概率和置信度。基于神经网络的物体检测方法最早于2013年被提出（Szegedy等人，2013；Sermanet等人，2013），此后在多个领域都展现出了出色的性能
方法论
在本节中，我们首先回顾3D高斯泼溅算法的概念，然后介绍所提出的SLAM框架的架构，该框架由四个主要部分组成：（1）基于3D高斯泼溅算法的地图表示方法；（2）基于YOLO技术的地标检测与筛选方法；（3）利用3D高斯泼溅地图进行的视觉重定位方法；（4）结合优化后的姿态信息对3D高斯泼溅地图进行的精细化处理。整个系统如图1所示。首先，探测器通过RGB-D相机捕获图像
仿真与实验测试
为验证所提方法的有效性，我们使用Unreal Engine（UE4）搭建了一个月球探测仿真环境。月球地形网格是基于LROC NAC数字高程模型数据生成的，分辨率为0.5米/像素，以阿波罗17号的着陆点为参考。该地形在Unreal Engine中被划分为200米×200米的区域。在仿真过程中，月球探测器携带深度相机在月球表面执行探测任务。月球环境如图2所示。此外，我们还
结论
在本文中，我们提出了一种用于月球探测器探测的3D密集SLAM系统，该系统借助3D高斯泼溅算法实现高效、高保真度的环境重建。通过利用YOLOv10快速且准确的物体检测能力，所提框架能够在地标区域实现视觉重定位，从而相比传统的SplaTAM框架提升跟踪精度。该方法通过数值模拟和实验测试进行了验证
未引用参考文献
Chen等人，2025a；Chen等人，2025b；Huang等人，2024a；Huang等人，2024b；Redmon等人，2016。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了中国国家重点研发计划（编号2023YFB4005902）、南京航空航天大学青年科技创新基金（编号NT2024018）以及浙江省永江人才工程技术创新团队项目（编号2022A-008?C）的支持。我们对上述项目的资金支持表示感谢。
Meng Yu|Chenxi Lu|Yin Wang|Hua Li
