[论文解读] How NeRFs and 3D Gaussian Splatting are Reshaping SLAM: a Survey
本综述通过辐照场启发的方法审视 SLAM 的进展，聚焦于 Neural Radiance Fields (NeRF) 与 3D Gaussian Splatting (3DGS)，并对 80 个最近的系统进行编目，以映射优点、局限性和未来挑战。
Over the past two decades, research in the field of Simultaneous Localization and Mapping (SLAM) has undergone a significant evolution, highlighting its critical role in enabling autonomous exploration of unknown environments. This evolution ranges from hand-crafted methods, through the era of deep learning, to more recent developments focused on Neural Radiance Fields (NeRFs) and 3D Gaussian Splatting (3DGS) representations. Recognizing the growing body of research and the absence of a comprehensive survey on the topic, this paper aims to provide the first comprehensive overview of SLAM progress through the lens of the latest advancements in radiance fields. It sheds light on the background, evolutionary path, inherent strengths and limitations, and serves as a fundamental reference to highlight the dynamic progress and specific challenges.
研究动机与目标
- 调查由辐射场表示（NeRF和3DGS）驱动的最新SLAM进展。
- 对过去三年发表的80个SLAM系统进行分类和分析。
- 在基于辐射场的SLAM中识别优点、局限性和未来研究方向。
- 提供一个参考框架，帮助研究人员和实践者在这个不断发展的领域。
提出的方法
- 解释辐射场理论与表示（隐式、显式、混合）。
- 描述 NeRF 和 3DGS 的基础及其如何被改编用于 SLAM。
- 回顾在辐射场 SLAM 评估中使用的数据集与基准。
- 提供 NeRF/3DGS–启发的 SLAM 方法的分类并比较设计选择（跟踪 vs 映射、子地图、动态、先验）。
- 总结在映射、跟踪、视图合成和语义方面的评估指标。
实验结果
研究问题
- RQ1有哪些关键的辐射场表示能够实现 SLAM（隐式 NeRF、显式网格、3D 高斯点渲染）并且它们如何比较？
- RQ2NeRF 与 3D Gaussian Splatting 如何被整合进 SLAM 流水线（逐帧对逐帧 vs 逐帧对模型），以及由此形成的权衡？
- RQ3用于评估这些辐射场驱动的 SLAM 系统的数据集、基准和指标有哪些？
- RQ4在 NeRF/3DGS驱动的 SLAM 中当前的局限性与开放挑战是什么，未来方向有哪些？
- RQ5这些方法在动态环境、可扩展性和实时性方面的表现如何？
主要发现
- 基于辐射场的 SLAM 提供连续表面建模和更密集、更加紧凑的地图潜力。
- NeRF 和 3DGS 提供不同的渲染和几何表示，在速度、内存和处理空白空间方面有不同的权衡。
- 综述涵盖最近发表的 80 个 SLAM 系统，突显快速进展和多样的设计策略（子地图、动态处理、先验）。
- 评估依赖于用于映射精度、跟踪精度（ATE）和视图合成质量（PSNR、SSIM、LPIPS）的标准 SLAM 指标。
- 2021–2024 年向基于辐射场的 SLAM 的明确转向，显示出日益增加的兴趣和工具可用性（数据集、基准、代码）。
- 该综述提出一个结构化的分类法，以组织 NeRF/3DGS–驱动的 SLAM 方法，并指出实际限制和研究空白。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。