自适应3DGS-SLAM驱动的增量在线几何数字孪生复杂室内建筑环境

《ADVANCED ENGINEERING INFORMATICS》:Adaptive 3DGS-SLAM-driven incremental online geometric digital twinning complex indoor built environments

【字体: 大 中 小 】 时间:2026年07月25日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

  • 用于增量在线几何数字孪生的自适应3DGS-SLAM框架。 • 基于SSIM的变化检测与并行高斯贡献评估。 • 局部更新防止灾难性遗忘和视觉撕裂问题。 • 在模拟室内场景上的验证显示57%的速度提升和15%的质量提升。 • 真实世界案例研究确

  
• 用于增量在线几何数字孪生的自适应3DGS-SLAM框架。
• 基于SSIM的变化检测与并行高斯贡献评估。
• 局部更新防止灾难性遗忘和视觉撕裂问题。
• 在模拟室内场景上的验证显示57%的速度提升和15%的质量提升。
• 真实世界案例研究确认21.5%的效率提升和5%的质量改进。
数字孪生(Digital Twin)在建筑、工程、施工与设施管理(AEC-FM)领域已被视为变革性技术,但现有方法在室内建筑环境的在线增量更新中面临关键挑战:传统激光扫描和RGB-D重建流程计算成本高,难以支持持续更新;而经典3DGS-SLAM(3D Gaussian Splatting-即时定位与地图构建)在增量集成新扫描数据时,常出现灾难性遗忘(Catastrophic Forgetting)和视觉撕裂(Visual Tearing)问题,且全局重建导致效率低下。为此,研究人员提出了一种自适应3DGS-SLAM框架,旨在实现复杂室内建筑环境的高效、高质量增量在线几何数字孪生。该论文发表在《ADVANCED ENGINEERING INFORMATICS》。

**主要关键技术方法**(不超过250字):
研究采用四项核心技术:(1)相机位姿对齐(Camera Pose Alignment):利用基线3DGS模型渲染图像与捕获图像的L1和SSIM(结构相似性指数)混合损失,通过迭代优化估计新帧位姿;(2)SSIM变化检测与关键帧选择:在滑动窗口内计算局部SSIM,低于阈值的像素生成变化掩码,当变化比例超过2%(经验值)且满足经典关键帧准则时,帧被选为更新关键帧;(3)并行高斯贡献评估:基于CUDA的alpha-blending光栅化,反向传播中计算每个高斯点对变化区域像素的贡献总和(式12),识别需更新的高斯点;(4)自适应点云编辑:根据贡献阈值剪枝约50%的高斯点(软剪枝设透明度0.01),并仅从变化区域添加新点云,同时保护窗口缓冲区中新添加的点不被剪枝。样本来源:模拟数据集ReplicaCAD(FRL公寓场景,两个家具配置Baked_sc0_staging_01和05),真实数据来自20m2实验室(Intel RealSense D435相机,1225帧初始+427帧更新)。

**研究结果**:
**4.1 模拟设置与数据准备**:通过ReplicaCAD数据集模拟家具重排场景,验证了自适应方法在可控条件下的有效性。
**4.2 基线框架选择**:选择MonoGS作为基线,其在Replica数据集上PSNR(峰值信噪比)38.94 dB,SSIM 0.968,LPIPS(学习感知图像块相似度)0.070,为当前最优单目3DGS-SLAM。
**4.3 实验流程**:两阶段:先建立基线模型于“Baked_sc0_staging_01”,再利用“Baked_sc0_staging_05”数据增量更新,验证了场景变化和模型补全能力。
**4.4 视觉结果与定性分析**:通过帧序列可视化(图5-6),自适应方法成功检测盆栽移动、家具重排等变化,并完成走廊区域模型补全;更新后SSIM值达0.782-0.881。高斯点源分析显示约70%点保留自基线,新点集中于变化帧,验证了选择性更新效率。
**4.5 敏感性分析**:变化比例阈值(1%-5%)测试表明,2%阈值在训练-测试视图SSIM、PSNR(19.48 dB)、ATE RMSE(0.1054 m)和平均时间(1.162 s)间取得最佳平衡,且阈值在1%-5%范围内鲁棒。
**4.6 比较分析**:与MonoGS、SplaTAM、Photo-SLAM、GS-ICP-SLAM比较,自适应方法在测试视图SSIM(0.7542)和PSNR(19.48 dB)上最优,相比MonoGS更新提升15.4% SSIM;平均每帧时间1.162 s,比MonoGS(2.730 s)减少57.4%,且避免了灾难性遗忘和视觉撕裂(图8)。MonoGS更新出现严重伪影,而SplaTAM、Photo-SLAM和GS-ICP-SLAM因不支持增量更新,需从零重建,导致静态区域出现空洞。
**5.1 背景与数据收集**:真实实验室环境(20m2)采集RGB-D数据,用于验证实用性。
**5.2 实验设置与比较方法**:与经典MonoGS更新和无更新基线对比,均使用相同更新数据集进行颜色优化。
**5.3 视觉结果与定性分析**:自适应方法在更新帧(1485、1607)中有效消除视觉撕裂和灾难性遗忘(图10-12);在任意新视角(图13)中无渲染空洞,而基线模型出现明显伪影。
**5.4 定量性能评估**:自适应方法平均PSNR 23.37 dB,SSIM 0.84,平均每帧0.625 s,相比MonoGS更新(PSNR 22.66 dB,SSIM 0.80,0.796 s)分别提升3.1%、5%和21.5%效率;箱线图(图14)显示其SSIM四分位距窄,无低值异常点,而MonoGS更新出现低至0.5的异常值(对应视觉撕裂和灾难性遗忘帧)。

**讨论部分总结**:
关键贡献包括:(1)四阶段自适应3DGS-SLAM框架,统一视觉对齐、SSIM变化检测、并行高斯贡献评估和自适应点云编辑,有效防止视觉撕裂和灾难性遗忘;(2)选择性高斯修改策略,仅处理局部变化,实现70%关键帧映射时间减少和57.4%总时间减少(模拟数据);(3)增量更新机制,通过渐进剪枝和战略保护保持几何一致性,ATE RMSE 0.1054 m(模拟)优于MonoGS(0.1109 m),且SSIM稳定性高。局限性包括:仅单实验室验证、未集成全局优化(如闭环检测)、假设静态环境、未考虑语义。未来方向:扩展至多建筑类型、集成闭环优化和运动模糊处理、引入动态物体处理机制(如DDN-SLAM、GARAD-SLAM)、结合NeRF先验(如DenseSplat)以及语义-几何同步更新(如OpenGS-SLAM)。此外,RGB-D多模态监督是稳定位姿对齐的关键,未来可探索单模态增强(如学习深度先验或视觉惯性耦合)。

**研究结论部分翻译**:
本文开发了一种新颖的自适应3DGS-SLAM,用于室内建筑环境的增量在线数字孪生,解决了现有方法的关键局限性。所提方法有效缓解了灾难性遗忘和视觉撕裂问题,这些问题在将常规巡检中捕获的新扫描数据增量集成到现有3DGS模型时经常发生。通过采用自适应方法——将相机位姿与基线3DGS模型对齐、识别渲染图像与新捕获图像之间的差异、定位对这些差异有显著贡献的高斯点、智能剪枝过时点并同时集成新点——该新方法实现了改进的重建质量和计算效率。在ReplicaCAD数据集上的计算机实验验证了所提方法在可控条件下的有效性。实验成功验证了处理场景变化和模型补全场景的能力,自适应方法在测试视图上达到SSIM 0.7542和PSNR 19.48 dB。与基线MonoGS框架的比较分析显示,平均处理时间减少57%,测试视图SSIM提升15%。敏感性分析进一步确认了所提方法在不同变化比例阈值配置下的鲁棒性,为实际应用中的参数选择提供了实用指导。在复杂室内实验室环境中进行的案例研究进一步验证了新方法在真实场景中相对于传统方法的优越性。定量结果显示,与经典MonoGS更新管道相比,渲染质量指标SSIM提升5%,平均每帧处理时间减少21.5%。更重要的是,新方法在所有测试帧上保持显著更一致的性能,SSIM值的四分位距更窄。所提出的自适应3DGS-SLAM对实际建筑管理场景具有重要意义,其中在线数字孪生必须定期更新以反映物理环境的变化,从而支持实时监测和决策。通过实现局部模型重建的增量更新,该方法使频繁、高质量、低成本的数字孪生刷新对于设施监测、维护和运营变得实用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号