《Remote Sensing》：A Network-Based Framework for Characterizing Pre-Seismic Ionospheric Disturbances Using the TEC Anomaly Significance Index
编辑推荐：
研究人员提出了一种集中式GNSS辅助的多无人机3D高斯泼溅SLAM（3D Gaussian Splatting SLAM）框架，用于在线增量式正射影像制图。每架无人机独立执行视觉里程计以构建局部子图，首先利用GNSS约束将这些子图对齐到统一的全局坐标系，然后通
研究人员提出了一种集中式GNSS辅助的多无人机3D高斯泼溅SLAM（3D Gaussian Splatting SLAM）框架，用于在线增量式正射影像制图。每架无人机独立执行视觉里程计以构建局部子图，首先利用GNSS约束将这些子图对齐到统一的全局坐标系，然后通过跨智能体视觉闭环进行进一步精化，以提升跨智能体一致性。为了实现可扩展的高质量制图，研究人员引入了两个互补的高斯地图维护模块：平面引导的网格协同致密化，该模块在多无人机条件下提高制图质量并加速收敛；以及可见性感知自适应剪枝，该模块有效控制冗余和内存使用。这些组件允许在统一的高斯表示中进行高效的联合优化。在多个采用消费级无人机相机拍摄的视频图像帧的航空数据集上的实验表明，与现有方法相比，所提系统在地理一致性、视觉保真度和效率之间提供了有利的权衡。定量上，所提方法实现了2.32米的GCP均方根误差（RMSE），在3.3–5.5分钟内完成多无人机正射影像生成，与对应的单无人机设置相比，总制图时间减少了约35–55%，同时支持在线跟踪和具有有限延迟与内存消耗的增量式正射影像更新。
**研究背景、问题与意义**
在遥感与摄影测量领域，无人机（UAV）已成为地形测绘、基础设施巡检、灾害响应和环境监测等应用的重要传感平台。相比传统有人航空测量，无人机系统具有灵活部署、低成本、快速数据获取等优势，尤其适用于复杂或难以进入的环境。然而，单无人机正射影像生成受限于有限的飞行续航和空间覆盖范围，随着测绘区域和序列长度增加，制图效率和可扩展性受到制约。这促使研究者关注协同多无人机制图，通过多架飞行器同时探索不同区域来提高覆盖效率、鲁棒性和操作可扩展性。尽管前景广阔，实际多无人机正射影像拼接仍面临挑战，包括需要地理一致的对齐、跨重叠航空观测的高效增量融合，以及面向大范围制图的可扩展场景表示。现有方法多依赖离线批处理的结构从运动（SfM，即从多视角图像恢复三维结构和相机运动的技术）和多视角立体（MVS，即从多个视角图像重建密集三维几何的技术）管线，无法在数据采集过程中提供持续更新的空间信息，且处理延迟随图像数量增加而增加，不适用于灾害响应等时间敏感应用。基于SLAM的正射影像生成方法虽能实现在线增量更新，但多采用稀疏几何表示或简化投影模型（如平面假设或局部单应性估计），在含有显著高程变化或复杂结构的场景中会降低正射校正质量，且大多仅支持单智能体制图，缺乏跨智能体协调与联合优化。近期，3D高斯泼溅（3DGS，一种用各向异性高斯原语表示场景并通过可微渲染优化的技术）因其能联合建模几何与外观并实现高效可微渲染而受到关注，基于3DGS的SLAM系统将密集场景建模集成到SLAM管线中，能够同时估计位姿并生成逼真地图。然而，将3DGS-SLAM应用于在线正射影像制图仍面临挑战：增量重构对弱约束区域（如纹理贫乏或反射表面、多视角观测不足的轨迹边界）敏感，常规致密化缺乏足够几何引导；同时，高斯原语的持续增长增加内存消耗和优化成本。这些挑战在多无人机场景中更为突出，需要将不同智能体的观测一致对齐并融合到可扩展的共享表示中。研究人员提出了一个地理一致的中心化多无人机高斯SLAM框架，用于在线增量式正射影像镶嵌生成，并验证了其有效性。论文发表在《Remote Sensing》。
**主要关键技术与方法**
研究人员采用的中心化多无人机高斯SLAM架构包括以下关键技术：第一，基于GNSS先验的多无人机对齐与视觉环路精化，通过消费级GNSS测量估计智能体级Sim(3)变换的初始值，再利用跨智能体视觉闭环检测（采用ORB词袋模型）精化残余对齐误差，实现地理一致的多无人机融合。第二，平面引导的网格协同致密化，利用鲁棒估计的全局地平面构造占位网格，在弱约束区域通过单应性引导初始化高斯原语，并结合梯度感知的自适应致密化处理未收敛区域。第三，可见性感知自适应剪枝，基于SLAM共视图增强关键帧窗口，通过梯度贡献评分筛选低影响高斯原语进行移除，控制冗余和内存增长。第四，正交高斯泼溅渲染，采用正交投影公式将统一的高斯地图直接渲染为度量正射影像。实验数据来自DroneMap-NPU公开数据集和自采集数据集，均使用消费级无人机相机获取视频帧，并关联GNSS测量。
**研究结果**
**4.1 实验设置**：通过划分飞行条带构建多智能体场景，在DroneMap-NPU和自采集数据集上评估，与Agisoft Metashape、ContextCapture、Pix4Dmapper（离线摄影测量软件）、Map2DFusion、EfficientOrtho（基于SLAM的拼接方法）以及Photo-SLAM、CartGS（基于3DGS的SLAM方法）进行对比，采用PSNR、SSIM、GCP误差、线度量等指标。
**4.2 地理一致性评估**：在phantom3-npu序列上，所提方法在6个地面控制点（GCP）上实现2.32米均方根误差（RMSE），优于EfficientOrtho（3.45米）且接近Pix4Dmapper（1.51米），但处理时间仅3.9分钟，显著短于离线方法（约30–60分钟），表明该方法在精度与效率间取得良好平衡。
**4.3 正射影像质量评估**：在光度质量上，所提方法在所有序列上的PSNR和SSIM均优于Photo-SLAM和CartGS，单无人机配置表现最佳，多无人机配置略低但仍超过对比方法。在几何一致性上，通过线长度比与Metashape和ContextCapture比较，所提方法相对误差大多低于1%，表明结构比例保持良好，仅在轨迹边界区域误差稍大。
**4.4 正射影像生成定性评估**：可视化结果显示，所提方法在城市场景、河流区域、农田环境中生成高质量正射影像，建筑边界清晰、纹理锐利，无拼接伪影或几何畸变。放大比较表明，所提方法有效去除立面伪影，保持真实顶视几何，而对比方法（Map2DFusion、EfficientOrtho、Photo-SLAM、CartGS）存在模糊、重影或结构扭曲。
**4.5 多无人机性能分析**：在四个序列上，多无人机配置相比单无人机将覆盖范围提升约40%，总制图时间减少约35–55%，同时PSNR仅下降1–2 dB，表明框架有效平衡效率与质量。
**4.6 效率分析**：总处理时间从离线方法的30–60分钟降至4–8分钟，多无人机模式进一步缩短。与Photo-SLAM和CartGS相比，所提方法在PSNR、峰值GPU内存、高斯原语数量和运行时间上均表现更优。各模块延迟：跟踪平均15毫秒，3D高斯优化每次迭代7毫秒，正射影像渲染异步更新延迟约100毫秒（10 Hz）。
**4.7 消融研究**：移除视觉环路精化导致PSNR从30.332降至27.24，SSIM从0.853降至0.794，产生模糊和重影；移除平面引导致密化使PSNR降至27.86，SSIM降至0.812，弱约束区域纹理退化；移除可见性剪枝导致GPU内存超限（>24 GB），无法完成完整制图，而完整方法仅用14.3 GB内存和1.64百万高斯原语。
**讨论与结论**
**讨论部分总结**：所提框架克服了现有方法在在线能力、地理一致性和多无人机可扩展性方面的局限。相比传统SfM/MVS管线，其能实现增量式正射影像生成；相比现有基于高斯SLAM的方法，其通过GNSS先验对齐和视觉环路精化实现了多无人机协同。然而，该方法仍存在若干局限：当前定位精度约2–3米，未达到测量级精度；生成正射影像的空间分辨率低于传统图像拼接方法；平面引导致密化假设主地平面，在山区等高程变化显著场景中可能引入畸变。未来工作将探索更高精度地理约束（如RTK-GNSS和GCP辅助优化）、混合表示与渲染策略以提升分辨率，以及地形自适应几何建模（如多平面表示或高程感知投影模型）。
**研究结论部分翻译**：本文提出了一种基于3D高斯泼溅SLAM的在线增量式正射影像生成框架，用于多无人机航空制图。通过集成GNSS先验对齐与跨智能体视觉环路精化，所提方法在统一全局表示中实现了地理一致的多无人机融合。为进一步增强重构质量和可扩展性，研究人员引入了平面引导的协同致密化策略以提升弱约束区域性能，以及可见性感知重要性剪枝机制以控制模型复杂度和计算成本。在多个无人机数据集上的广泛实验表明，与最先进基线相比，所提方法在保持高效运行时间和可控GPU内存使用的同时，实现了有竞争力的视觉保真度和几何一致性。
