摘要:为了提升动态战场环境下无人平台的定位鲁棒性、场景重建质量与实时渲染能力。针对传统实时定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态环境中易出现定位漂移,以及稀疏点云或体素地图难以支持高质量3D可视化与渲染的双重挑战,提出一种融合鲁棒动态语义前端与3D高斯溅射建图后端的实时语义SLAM系统,GS-SLAM。前端采用基于改进MobileNetV2骨干网络的轻量化SOLOv2算法,实现实时语义分割;在此基础上,提出三帧极线一致性约束与退化场景下的双阈值几何约束,构建基于恒速运动假设与3D轮廓重投影的漏检补偿机制,实现对动态特征点的有效剔除。后端设计独立异步3D高斯建图线程,提出滑动窗口一致性动态掩码融合策略,对多帧语义和几何检测结果进行时序统计;构建融合匹配点数量与跟踪稳定性的自适应优选机制,筛选高质量关键帧,在动态场景中构建静态3D高斯模型,实现实时处理与高质量渲染。实验结果表明,在TUM数据集的高动态序列上,相比原始ORB-SLAM2,该算法的绝对轨迹误差显著降低(降幅最高超过99%),相对位姿误差降幅均达93%以上;在Bonn数据集上亦取得较优结果;相比同类先进算法具有更优的定位精度。