Bu araştırma, GPS sinyalinin bulunmadığı, ışığın zayıf olduğu, duvarların birbirine benzediği ve toz, insan veya hareketli araç gibi bozucuların bulunduğu yeraltı ortamlarında bir mobil platformun aynı anda hem kendi konumunu tahmin etmesi hem de çevresinin yoğun üç boyutlu haritasını oluşturması için GTS-SLAM adlı bir sistem öneriyor. Sistem ön uçta Generalized Iterative Closest Point (GICP) ile geometrik nokta bulutu eşleme, arka uçta ise 3D Gaussian Splatting (3DGS) ile yoğun sahne temsili kullanıyor. Bunlara Gaussian ölçek düzenlileştirmesi, yeni Gauss elemanlarının ölçek hizalaması, iki seviyeli anahtar kare seçimi, faktör grafiği optimizasyonu ve Compact 3DGS bellek sıkıştırması ekleniyor. Replica veri kümesinde 30 FPS sınırında ortalama 0,17 cm mutlak yörünge hatası ve 38,70 dB PSNR raporlanırken, öz-toplanan/simüle edilen üç ortamda ATE 0,065–0,112 m ve yörünge drift oranı %2,1–%4,6 arasında kalmıştır.

Çalışmanın temel tasarım fikri, konum tahminini yalnız görüntü renklerinin veya fotometrik hatanın üzerine bırakmamaktır. GICP, derinlikten oluşturulan nokta bulutlarının yerel geometrik belirsizliğini kovaryanslarla temsil ederek kamera konumunu geometrik olarak sabitlemeye çalışır. 3DGS ise aynı çevreyi konum, şekil, renk ve saydamlık parametrelerine sahip çok sayıda üç boyutlu Gauss ilkeliyle yoğun biçimde temsil eder. Düzeltilmiş kamera konumları daha tutarlı bir 3B harita oluştururken, daha doğru harita sonraki GICP eşlemelerini destekler; böylece konum ve harita arasındaki hata geri beslemesinin azaltılması amaçlanır.

En güçlü ablasyon bulgularından biri, 3D Gaussian ölçeklerinin kontrolünün yalnız görsel kalite meselesi olmadığını göstermesidir. TUM veri kümesinde ölçek düzenlileştirmesi olmadan ortalama ATE 236,54 cm iken düzlemsel düzenlileştirmede 29,12 cm, eliptik düzenlileştirmede ise 2,53 cm olarak raporlanmıştır. Replica'daki ölçek hizalama deneyinde GICP kullanılmadan ATE 8,893 cm iken GICP ile 0,258 cm'ye; GICP ve 1,5z Re-init birlikte kullanıldığında 0,152 cm'ye gerilemiştir. Bu sonuçlar, yoğun haritadaki Gaussian geometrisinin ön uç konum tahmininin istatistiksel tutarlılığını doğrudan etkilediğini göstermektedir.

Türkiye açısından: Türkiye'de maden galerileri, karayolu ve demiryolu tünelleri, yeraltı otoparkları, altyapı galerileri veya kapalı endüstriyel alanlarda GPS'siz otonom navigasyon açısından yöntem kavramsal olarak önemlidir. Ancak çalışma Türkiye'deki gerçek maden geometrileri, toz yoğunluğu, aydınlatma düzenleri, iş makineleri, kamera/depth sensörleri veya iş güvenliği gereklilikleri üzerinde doğrulanmamıştır. Ayrıca kullanılan “yeraltı yolu” gerçek üretim yapan bir maden değil, düşük ışıklı simüle edilmiş bir test ortamıdır. Türkiye'deki uygulama için gerçek saha RGB-D veri kalitesi, titreşim, yoğun toz, su sisi, yansıma, uzun galeriler, sensör kirlenmesi, loop closure bulunmayan rotalar ve araç sınıfı gömülü donanım üzerinde bağımsız doğrulama gerekir.

Yeraltında SLAM neden normal bir iç mekândan daha zor?

SLAM, Simultaneous Localization and Mapping, yani eşzamanlı konumlama ve haritalama problemidir. Bir robot veya otonom araç daha önce haritasını bilmediği bir ortamda hareket ederken hem “Ben şu anda neredeyim?” sorusunu hem de “Çevrem nasıl görünüyor?” sorusunu aynı anda çözmeye çalışır.

Yeraltı galerileri bu problem için özellikle zordur. Çalışma üç ana zorluk tanımlamaktadır. Birincisi dar, uzun ve birbirine benzeyen yüzeylerin çokluğudur. Beton püskürtme veya kaya duvarları aynı desenleri tekrar edebilir ve uzun bir galeri boyunca bakış açısı çok az değişebilir. Bu durum özellikle koridor doğrultusundaki ötelemenin yeterince gözlemlenememesine ve drift birikmesine yol açabilir.

İkinci sorun zayıf aydınlatma, toz ve su sisidir. Düşük ışık görüntü gürültüsünü yükseltirken toz ve yansımalar derinlik sensöründe delikler veya yanlış noktalar oluşturabilir. Üçüncü sorun ise hareketli personel, iş makineleri veya başka araçlardır. Klasik SLAM çoğunlukla çevrenin büyük bölümünün statik olduğunu varsayar; hareket eden nesneler yanlış geometrik eşleşmeler üretebilir.

Bu nedenle yeraltındaki sistemin yalnız bir kamera yörüngesi üretmesi yeterli değildir. Araştırmacılar aracın engelden kaçınma, geçiş uygunluğu değerlendirmesi, ölçüm, inceleme ve görselleştirme için kullanılabilecek yoğun bir çevre modeli de oluşturması gerektiğini savunmaktadır.

GTS-SLAM hangi problemi çözmek için tasarlandı?

Birçok 3DGS tabanlı SLAM sisteminde izleme ve haritalama birbirinden görece ayrıdır. Ön uç kamera konumunu tahmin eder; arka uç bu konumları kullanarak 3DGS haritasını günceller. Ancak yanlış kamera konumu haritayı bozabilir. Bozulmuş harita daha sonra yeni kamera konumunun tahminini daha da kötüleştirebilir.

GTS-SLAM'ın amacı bu pozitif hata döngüsünü kısaltmaktır. Bunun için ana konumlama kısıtı olarak GICP geometrisi kullanılır; uzun süreli drift faktör grafiğiyle düzeltilir ve 3DGS haritası düzeltilmiş kamera konumları üzerinden optimize edilir. Güncellenmiş Gaussian haritası daha sonra yeniden izleme sürecine geri beslenir.

GICP ne yapıyor?

Klasik ICP iki nokta bulutu arasında eşleşen noktaları arayarak aralarındaki geometrik hatayı küçültmeye çalışır. GICP ise her noktanın çevresindeki geometrinin yalnız bir nokta olmadığını, belirli bir belirsizlik yapısı taşıdığını hesaba katar.

Kaynak nokta bulutundaki \(a_i\) ve hedef buluttaki \(b_i\) noktaları için yerel kovaryanslar \(C_i^A\) ve \(C_i^B\) kullanılır. Dönüşüm yaklaşık olarak şu Mahalanobis-ağırlıklı hedefle elde edilir:

\[ T^* = \arg\min_T \sum_i (a_i-Tb_i)^T (C_i^A+TC_i^BT^T)^{-1} (a_i-Tb_i) \]

Bunun fiziksel anlamı önemlidir. Düz bir duvardaki noktanın duvar normali boyunca hareketi güçlü bir geometrik hata oluştururken duvar düzlemi içindeki küçük değişimler daha belirsiz olabilir. Kovaryans yapısı GICP'nin hangi yöndeki hataya daha fazla güveneceğini belirlemesine yardımcı olur.

Yerel komşuluğun özdeğerleri \(\lambda_1\geq\lambda_2\geq\lambda_3\) biçiminde incelenir. \(\lambda_3\) diğerlerinden çok küçükse bölge yaklaşık bir düzlem olarak değerlendirilebilir; kenar ve köşelerde ise farklı anizotropik yapılar oluşur.

Hareketli insan veya yanlış derinlik noktası sistemi neden hemen bozmasın?

Araştırmacılar iki aşamalı aykırı değer bastırması kullanmaktadır. İlk aşamada maksimum eşleşme mesafesinin dışındaki noktalar elenir; kaynakta örnek mühendislik aralığı 5–10 cm olarak verilmektedir. Normal tutarlılığı kontrolü de farklı yüzeylerin yanlış eşleşmesini azaltmak için kullanılabilir.

İkinci aşamada Huber veya Cauchy gibi sağlam kayıp çekirdekleri büyük artıkların optimizasyon üzerindeki ağırlığını azaltır. Böylece hareket eden kişinin oluşturduğu birkaç yanlış eşleşmenin bütün kamera pozunu sürüklemesinin önüne geçilmeye çalışılır.

Her GICP iterasyonunda poz artımı \(\delta\xi\) üzerinden Levenberg–Marquardt çözümü kullanılabilir:

\[ (J^TWJ+\mu I)\delta\xi=-J^TWr \]

Buradaki \(W\), hem kovaryans temelli Mahalanobis ağırlıklarını hem de robust-kernel ağırlıklarını içerir.

Uzun bir tünelde hangi hareketlerin gözlemlenememesi sorun olur?

Uzun ve neredeyse aynı kesite sahip bir galeri boyunca ilerlerken kamera görüntüsü bir önceki konuma çok benzeyebilir. Bu durumda özellikle galeri doğrultusundaki hareket ve bazı yaw bileşenleri yeterince güçlü geometrik bilgi üretmeyebilir.

GTS-SLAM bilgi matrisinin \(H=J^TWJ\) özdeğerlerini veya koşul sayısını inceleyerek bu tür degenerasyonu tespit etmeyi önerir. En küçük özdeğer sıfıra yaklaşıyorsa belirli hareket yönleri yeterince gözlemlenemiyor olabilir.

Önerilen karşı önlemler arasında daha sık anahtar kare oluşturmak, faktör grafiğindeki geometrik kısıtları artırmak ve kısa süreli zayıf hareket öncülleri kullanmak bulunmaktadır. Araştırmacılar gerçek mühendislik sistemlerinde IMU, odometri veya LiDAR füzyonunu da gelecekteki önemli çözüm olarak belirtmektedir.

3D Gaussian Splatting yoğun haritayı nasıl temsil ediyor?

3DGS haritası, klasik nokta bulutundaki yalnız konum taşıyan noktalar yerine hacimsel ve görsel özellikleri bulunan çok sayıda Gaussian ilkelinden oluşur. Her \(g_k\) Gauss elemanı:

\[ g_k=(\mu_k,\Sigma_k,c_k,\alpha_k) \]

ile tanımlanmaktadır. Burada \(\mu_k\) üç boyutlu merkez, \(\Sigma_k\) kovaryans/şekil, \(c_k\) renk parametreleri ve \(\alpha_k\) opaklıktır.

Kovaryans:

\[ \Sigma_k = R_k \operatorname{diag} (s_{k,x}^2,s_{k,y}^2,s_{k,z}^2) \]

biçiminde ayrıştırılabilir. Böylece Gaussian küresel olmak zorunda değildir; bir duvar yüzeyine paralel yassı bir elipsoid veya karmaşık geometrilerde farklı yönlere uzanan bir yapı olabilir.

Kamera görüntüsü oluşturulurken 3B Gauss elemanları görüntü düzlemine eliptik Gaussian çekirdekleri olarak projekte edilir. Derinliğe göre sıralama ve alfa bileşimiyle tahmini görüntü üretilir. Bu açık temsil, NeRF tipi yoğun ışın örneklemesine kıyasla hızlı rasterizasyon ve doğrudan budama/sıkıştırma avantajı sunmaktadır.

Sistem neden üç farklı hızda çalışan iş parçacığına ayrılıyor?

Bir araç konumunu onlarca milisaniye içinde bilmeli; fakat yoğun bir 3B haritanın her karede bütünüyle yeniden optimize edilmesi gerekmez. GTS-SLAM bu nedenle üç zaman ölçeği kullanmaktadır.

Gaussian ölçeği neden konum hatasını yüzlerce santimetre değiştirebiliyor?

3DGS'te her Gauss elemanının boyutu ve biçimi öğrenilir. Kontrol olmadığında iki temel bozulma meydana gelebilir. Bir Gaussian aşırı büyüyerek birden fazla fiziksel yüzeyi aynı anda kaplayabilir veya eksenlerinden biri neredeyse sıfıra inerken başka bir eksende aşırı uzayabilir.

Bu yalnız görüntüyü bulanıklaştırmaz. GICP aynı Gaussian geometrisini konum tahmini için kullandığı için yanlış biçimli harita yanlış geometrik eşleşmeler oluşturabilir.

Çalışmada üç durum karşılaştırılmıştır: düzenlileştirme yok, düzlem düzenlileştirmesi ve daha genel eliptik düzenlileştirme. Sonuçlar son derece belirgindir.

Yeni Gaussian'lar mevcut haritayla nasıl aynı ölçeğe getiriliyor?

Bir araç ilerledikçe daha önce görülmemiş yüzeyler haritaya eklenir. Yeni Gaussian'ların başlangıç ölçeği mevcut haritadan çok farklı olursa optimizasyon yanlış geometrik yapıya yakınsayabilir.

GTS-SLAM bu nedenle GICP'nin yerel kovaryans bilgisini Gaussian'ın biçim ve yön başlangıcında kullanır. Ayrıca Re-init mekanizması yeni Gaussian'ın başlangıç ölçeğini derinlik/geometri istatistiğine göre yeniden belirler.

Replica üzerinde sekiz sahnenin ortalama sonuçlarında GICP ve Re-init olmadan ATE 8,893 cm, PSNR 24,81 dB'dir. Yalnız GICP eklendiğinde ATE 0,258 cm'ye düşmektedir. GICP + Re-init 1,5z ayarında ATE 0,152 cm, PSNR 38,79 dB, SSIM 0,973 ve LPIPS 0,039 olarak raporlanmıştır.

Neden her kamera karesini haritalamada kullanmıyor?

Daha fazla görüntü her zaman daha iyi harita anlamına gelmez. Çok fazla anahtar kare hem işlem yükünü artırır hem de birbirine çok benzeyen görüntülerin aynı küçük bölgeyi aşırı optimize etmesine neden olabilir.

Çalışma takip anahtar kareleri ile haritalama anahtar karelerini birbirinden ayırmaktadır. Replica'da 30 FPS takip ve ek haritalama anahtar karesi olmadan ATE 0,174 cm'dir. Takip 10 FPS'e indirildiğinde yine 0,174 cm olurken ayrı haritalama anahtar kareleri eklendiğinde ATE 0,160 cm'ye düşmektedir.

Araştırmacılar haritalama anahtar karesi için her 10 karede bir seçim yapmanın ablasyon deneyinde uygun olduğunu bildiriyor. Takip anahtar kareleri ise örneğin 0,15–0,30 m öteleme, 8–15° dönme veya eşleşme kalitesinin düşmesi gibi koşullarla tetiklenebilir; bu aralıklar yöntem bölümünde mühendislik parametre örnekleri olarak verilmiştir.

En yakın kareleri kullanmak neden kötü olabilir?

3DGS optimizasyonu doğrusal olmayan ve yerel minimumlara duyarlı bir problemdir. Yalnız mevcut konuma en yakın görüntülerin kullanılması aynı yüzeyi benzer açılardan tekrar tekrar öğretir. Bu, duvarların şişmesi, eğrilmesi veya dokuların bulanıklaşması gibi yerel bozulmalara neden olabilir.

Replica ablasyonunda yalnız en yakın kare seçimi PSNR 26,627 dB, SSIM 0,873 ve LPIPS 0,200 üretirken; rastgele farklı anahtar kareler PSNR 38,815 dB, SSIM 0,976 ve LPIPS 0,041 sonucuna ulaşmıştır. Araştırmacılar bunu daha geniş çoklu görüş kısıtlarına bağlamaktadır.

Gaussian eklemek mi, gereksiz Gaussian silmek mi daha önemli?

Çalışmanın Tablo 5 sonuçları bu sistem yapılandırmasında aşırı densification'ın sınırlı fayda sağladığını, budamanın ise gereksiz veya hatalı Gaussian artıklarını azaltmak açısından önemli olduğunu göstermektedir.

Araştırmacılar özellikle yeraltı gibi görece sade ve zayıf dokulu geometrilerde sürekli yeni Gaussian eklemek yerine öncelikle sağlam bir pruning stratejisi kurulmasını önermektedir.

Faktör grafiği uzun mesafe driftini nasıl azaltıyor?

Her anahtar kare bir poz düğümü olarak ele alınır. Ardışık anahtar kareler arasındaki göreli poz GICP'den gelir. Aynı yere yeniden dönüldüğü algılanırsa loop closure bağlantısı da grafiğe eklenebilir.

Optimizasyon temel olarak:

\[ \min_{\{T_i\}} \sum_{(i,j)\in E} \left\| \log \left( T_{ij}^{-1}T_i^{-1}T_j \right) \right\|_{\Omega_{ij}}^2 \]

yapısındaki göreli poz tutarlılığını azaltmaya çalışır. Güncellenen anahtar kare pozları 3DGS haritalama sürecine geri yazılır. Böylece uzun bir koridorda yerel GICP hatalarının doğrudan kalıcı harita eğriliğine dönüşmesi engellenmeye çalışılır.

Compact 3DGS neden gerekli?

Yoğun Gaussian haritasındaki ilkel sayısı araç ilerledikçe sürekli artabilir. Bu durum bellek kullanımını, rendering maliyetini ve uzun süreli çalışma kararlılığını sınırlar.

Compact 3DGS üç düzeyde azaltma uygular: gereksiz Gaussian sayısını azaltma; renk, ölçek ve opaklık gibi parametreleri daha kompakt saklama; her karede yalnız görünür ve etkili Gaussian'ların aktif edilmesi.

Kamu veri kümelerinde de büyük düşüşler görülmektedir. Örneğin Replica Of0 sahnesindeki depolama 1027 MB'den 192,6 MB'ye; TUM fr2-xyz 210 MB'den 39,4 MB'ye düşürülmüştür.

Öz-toplanan sahnelerde ise 332 MB'lik iç mekân haritası 56 MB'ye, 259 MB'lik koridor haritası 29 MB'ye ve 198 MB'lik simüle yeraltı haritası 27 MB'ye düşürülmüştür.

Gerçek zamanlılık ile harita kalitesi arasında nasıl bir denge var?

Replica testinde GTS-SLAM takip hızına sınır konmadığında ortalama 97,51 FPS, PSNR 35,68 dB, SSIM 0,958 ve LPIPS 0,068 elde etmiştir. Takip 30 FPS ile sınırlandığında ortalama hız 29,99 FPS olurken harita kalite değerleri PSNR 38,70 dB, SSIM 0,971 ve LPIPS 0,042'ye yükselmiştir.

Bu sonuç ilginç bir mühendislik ödünleşimini göstermektedir: sistemin bütün hesaplama bütçesini maksimum takip hızına harcamaması, arka uç 3DGS optimizasyonuna daha fazla zaman bırakabilir ve yoğun harita kalitesini artırabilir.

TUM'da ise kaynak, GTS-SLAM'ın hız üstünlüğünü koruduğunu ancak PSNR/SSIM/LPIPS açısından bazı karşılaştırma yöntemlerinin daha iyi olabildiğini açıkça kabul etmektedir. Dolayısıyla “en hızlı ve her metrikte en kaliteli” şeklinde bir sonuç çıkarılmamalıdır.

Kaynak görselleri ne gösteriyor?

Şekil 1, GTS-SLAM'ın en önemli sistem diyagramıdır: RGB-D kareden nokta bulutuna, GICP poz tahminine, anahtar kare kararına ve 3DGS harita optimizasyonuna giden akışı; güncellenmiş Gaussian haritanın tekrar poz tahminine dönmesini gösterir.

Şekil 2 ve 3, sırasıyla Replica ve TUM üzerinde harita kalitesi ile FPS arasındaki karşılaştırmayı gösterir. Replica grafiğinde 30 FPS GTS-SLAM yüksek PSNR ve düşük LPIPS ile güçlü bir denge sergilerken TUM grafiğinde asıl ayrışma hız tarafındadır.

Şekil 4, yaklaşık 31,7 m uzunluğunda, 3,6 m genişliğinde ve 3,7 m yüksekliğinde; aydınlatması 10 lux'ün altında olan simüle edilmiş yeraltı yolu deney ortamının iki görünümünü verir.

Şekil 5 öz-toplanan iç mekân sahnesinin ön, sağ, sol, arka ve üst olmak üzere beş yoğun 3B rekonstrüksiyon görünümünü gösterir. Şekil 6 uzun koridorun, Şekil 7 ise simüle yeraltı yolunun iki farklı yeniden oluşturulmuş 3B görünümünü sunar. Görseller, sistemin yalnız kamera yörüngesi değil, çevrenin yüzeysel yoğun temsilini de oluşturduğunu gösterir.

Şekil 8–10 sırasıyla iç mekân, koridor ve simüle yeraltı sahnelerindeki üç boyutlu yörünge görselleştirmelerini sunmaktadır. Araştırmacılar bütün senaryolarda yörüngenin kesintisiz kaldığını, ancak uzun koridor ve yeraltı yolunda driftin tamamen ortadan kaldırılmadığını belirtmektedir.

Çalışma neyi destekliyor?

• GICP ile 3DGS'nin sıkı biçimde bağlanmasının bazı benchmarklarda düşük yörünge hatası ve yüksek yoğun harita kalitesiyle birlikte çalışabildiğini.
• Gaussian ölçek düzenlileştirmesinin konumlama kararlılığı açısından kritik olduğunu.
• GICP kovaryansı ile Re-init ölçek hizalamasının Replica deneylerinde hem ATE hem rendering kalitesini güçlü biçimde iyileştirdiğini.
• Haritalama anahtar karelerinin hesaplama bütçesini daha verimli kullanabildiğini.
• Çeşitli görüş açılarından anahtar kare kullanmanın 3DGS'nin yerel minimum problemini azaltabildiğini.
• Compact 3DGS'nin test edilen sahnelerde bellek kullanımını %80'in üzerinde azaltabildiğini.
• Zayıf ışıklı ve tekrarlayan geometrili simüle/deneysel ortamda kesintisiz izleme ve yoğun haritalamanın gerçekleştirilebildiğini.

Çalışma neyi kanıtlamıyor?

• Gerçek üretim yapan bir yeraltı kömür madeninde otonom aracın uzun süreli operasyon güvenliğini kanıtlamıyor.
• Toz nedeniyle RGB-D derinlik ölçümünün büyük bölümünün kaybolduğu koşullarda kesintisiz çalışmayı garanti etmiyor.
• Yalnız RGB kamerayla aynı sonuçların elde edileceğini göstermiyor; temel sistem RGB-D girdiye dayanıyor.
• IMU, LiDAR veya tekerlek odometrisi olmadan sonsuz uzunluktaki loop-closure'sız tünellerde driftin ortadan kalktığını göstermiyor.
• Yüksek oranda dinamik nesne kaplamasında robust kernel kullanımının bütün ghosting problemlerini çözdüğünü göstermiyor.
• Çok hızlı büyük rotasyonlarda GICP'nin her zaman doğru minimuma yakınsayacağını göstermiyor.
• TUM üzerinde bütün rendering kalite metriklerinde en iyi yöntem olduğunu göstermiyor.
• Compression uygulanmış sistemin gerçek otomotiv sınıfı düşük güçlü donanım üzerinde nihai güç tüketimi ve termal davranışını doğrulamıyor.

Çalışmanın Yöntemi ve Bulguları

Ortak optimizasyon problemi

GTS-SLAM'ın temel hedefi kamera yörüngesi \(T\) ile Gaussian haritası \(G\)'yi birbirinden bağımsız iki problem gibi değil, geometrik, rendering ve regularization terimleri içeren ortak bir yapı içinde ele almaktır.

Harita:

\[ G=\{g_k\}_{k=1}^{K} \]

ve her Gaussian:

\[ g_k=(\mu_k,\Sigma_k,c_k,\alpha_k) \]

şeklinde tanımlanır. Amaç fonksiyonu GICP geometrik artıklarını, 3DGS görüntü/rendering tutarlılığını ve harita düzenlileştirme terimlerini birlikte içerir.

3DGS kayıp fonksiyonu

Haritalama tarafındaki temel kayıp yapısı:

\[ L= \lambda_{rgb}L_{rgb} + \lambda_{ssim}L_{ssim} + \lambda_{depth}L_{depth} + \lambda_{reg}L_{reg} \]

olarak verilmektedir. Renk kaybı piksel rekonstrüksiyonunu, SSIM yapısal tutarlılığı, derinlik kaybı geometrik derinliği ve regularization Gaussian biçiminin kararlı kalmasını hedefler.

Kullanılan kamu veri kümeleri

Replica yörünge doğruluğu

Replica'nın sekiz sahnesindeki ortalama ATE bakımından GTS-SLAM kaynakta karşılaştırılan yöntemler arasında en düşük değeri sağlamıştır. Tekil sahne değerleri 0,13–0,23 cm aralığındadır.

TUM yörünge doğruluğu

TUM sonuçları, Replica'daki kadar mutlak üstünlük göstermemektedir. ORB-SLAM3 ve Photo-SLAM kaynak tabloda 1,3 cm ortalama ATE ile GTS-SLAM'ın 2,5 cm değerinden daha düşüktür. GTS-SLAM'ın burada temel avantajı, yoğun haritalama ve yüksek FPS'yi aynı sistem içinde sağlamasıdır.

Replica harita kalitesi ve hız

Kaynağa göre 30 FPS sınırı yoğun haritalama için daha fazla hesaplama bütçesi bırakarak rendering kalitesini yükseltmektedir.

Anahtar kare ablasyonu

Öz-toplanan ve simüle edilmiş test ortamları

İç mekân dinamik ortamı, hareket eden insanlar, kısmi engellenme, cam/yansıtıcı yüzeyler ve kamera hareket bulanıklığını içerir.

Dış koridor ortamı yaklaşık 36,8 m uzunluk, 1,8 m genişlik ve 3,1 m yüksekliğe sahiptir. Tekrarlayan yüzeyler ve sınırlı bakış açısı değişimi nedeniyle uzunlamasına drift açısından zorlu bir senaryodur.

Simüle yeraltı yolu yaklaşık 31,7 m uzunluk, 3,6 m genişlik ve 3,7 m yükseklik değerlerine sahiptir. Aydınlatma 10 lux'ün altındadır. Bu ortam gerçek üretim yapan bir maden değil, düşük ışıklı yeraltı koşullarını temsil etmek için oluşturulmuş deney sahnesidir.

Ortam zorlaştıkça ATE ve drift artmaktadır. İç mekânda 0,065 m olan ATE koridorda 0,085 m'ye ve simüle yeraltı ortamında 0,112 m'ye yükselmiştir. Drift oranı da sırasıyla %2,1, %3,4 ve %4,6'dır. Bu sonuçlar sistemin hatasız olmadığını; gözlemlenebilirlik azaldıkça ve ışık/derinlik sorunları arttıkça konum hatasının büyüdüğünü gösterir.

Compact 3DGS'nin öz-toplanan ortamlardaki etkisi

Bellek küçülürken rendering hızının düşmemesi, aksine bu üç deneyde 83–90 FPS aralığına çıkması sistemin uzun süreli mobil kullanım hedefi açısından önemli bir mühendislik sonucudur. Ancak bu sonuç tek başına belirli bir gömülü araç bilgisayarındaki güç tüketimini veya termal kararlılığı kanıtlamaz.

Başlıca başarısızlık durumları

Geniş alanlı derinlik kaybı: Toz veya yansıma yüzünden çok az GICP eşleşmesi kalırsa sistem degenerasyona girebilir.

Çok hızlı büyük dönüş: Ardışık karelerin örtüşmesi ciddi biçimde azalırsa GICP yerel minimuma yakınsayabilir.

Yoğun dinamik kapatma: Görüntünün büyük bölümü hareketli insan veya araçlarla kaplıysa yalnız robust kernel yeterli olmayabilir.

Loop closure olmayan çok uzun tünel: Faktör grafiği yerel hataları azaltabilse de yeni küresel kısıt oluşmadığında drift mesafeyle birikebilir.

Çok büyük ölçekli uzun süreli harita: Compact 3DGS büyümeyi azaltmaktadır ancak sınırsız süre çalışan çok büyük haritalarda harita bakım ve loop closure yükü yeniden sorun oluşturabilir.

Gelecek çalışma önerileri

Araştırmacılar dinamik nesneleri açık biçimde modellemek için semantik segmentasyon veya optik akış tutarlılığı; uzun loop-closure'sız güzergâhlarda IMU, odometri ve LiDAR füzyonu; daha fazla parametre nicemleme ve harita bölümlendirme; ayrıca maden/tünel yapısının zaman içinde değişmesini yönetebilen uzun dönemli harita sürümleme mekanizmalarını gelecek araştırma alanları olarak göstermektedir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: GTS-SLAM: A Tightly-Coupled GICP and 3D Gaussian Splatting Framework for Robust Dense SLAM in Underground Mines

Yazarlar ve sıraları: Yi Liu; Changxin Li; Meng Jiang.

Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.

Sorumlu yazar: Yi Liu.

Kurum: School of Artificial Intelligence, China University of Mining and Technology (Beijing), Beijing 100083, China.

Dergi: Vehicles.

Yayınevi: MDPI, Basel, Switzerland.

Yayın bilgisi: Vehicles 2026, 8, 79.

DOI: 10.3390/vehicles8040079.

Resmî bağlantı:https://doi.org/10.3390/vehicles8040079

Kaynak türü: Hakemli araştırma makalesi; yoğun SLAM yöntem geliştirme, geometrik optimizasyon, 3D Gaussian Splatting tabanlı haritalama, kamu veri kümesi benchmarkları, ablasyon analizi ve öz-toplanan/simüle edilen çevre doğrulamalarını içermektedir.

Hakemlik/yayın durumu: Kaynakta makalenin 27 Şubat 2026'da alındığı, 25 Mart 2026'da revize edildiği, 31 Mart 2026'da kabul edildiği ve 3 Nisan 2026'da yayımlandığı belirtilmektedir.

Lisans: Creative Commons Attribution (CC BY).

Finansman: National Natural Science Foundation of China Grant No. 52364017 ve Inner Mongolia Autonomous Region Key Research and Development and Technology Transfer Program Project Grant No. 2025YFHH0001.

Veri erişilebilirliği: Verilerin yazarlardan talep üzerine edinilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma Y.L.; metodoloji Y.L. ve C.L.; biçimsel analiz ve veri kürasyonu C.L.; ilk taslak C.L.; inceleme ve düzenleme Y.L. ve M.J.; gözetim ve proje yönetimi Y.L. ve M.J.; finansman edinimi Y.L. olarak belirtilmiştir.

Bilimsel içerik sınırı: Bu Verianla yazısındaki yöntem, formüller, veri kümeleri, parametreler, karşılaştırmalar, ablasyon sonuçları, öz-toplanan deney değerleri ve sınırlılıklar yalnızca incelenen çalışmaya dayanmaktadır. Kaynak dışından yeni SLAM başarımı, maden güvenlik sonucu veya saha performansı eklenmemiştir.

Gerçek maden sahası sınırı: Çalışmanın uygulama hedefi yeraltı maden araçlarıdır; ancak sunulan öz-toplanan doğrulama gerçek üretim yapan bir kömür madenindeki uzun süreli araç operasyonu değildir. Kullanılan deneyler iç mekân dinamik sahnesi, dış koridor ve düşük ışıklı simüle yeraltı yolundan oluşmaktadır.

Derinlik sensörü sınırı: GTS-SLAM'ın GICP ön ucu RGB-D derinlik geometrisine güçlü biçimde dayanır. Geniş alanlı depth hole oluşumu veya çok düşük geometrik örtüşme sistemi degenerasyona sürükleyebilir.

Gerçek zamanlılık sınırı: Replica'daki 97,51 FPS sınırsız takip ve 29,99 FPS kontrollü takip sonuçları ilgili deney yapılandırmasına aittir. Çalışma bu değerleri nihai araç sınıfı düşük güçlü gömülü platformda yapılan kapsamlı saha testi olarak sunmamaktadır.

Tablo 10 editoryal notu: Tablo açıklaması TUM üzerinde PSNR, SSIM, LPIPS ve FPS karşılaştırması olduğunu ve Şekil 3 aynı ölçütleri görselleştirdiğini gösterirken, tablonun sütun başlıklarında fr1/Desk, fr2/xyz, Fr3/Office ve Avg. ifadeleri yer almaktadır. Satır değerlerinin büyüklükleri ise PSNR/SSIM/LPIPS/FPS sıralamasıyla uyumlu görünmektedir. Bu kaynak içi biçim/başlık uyuşmazlığı sessizce düzeltilmiş veri gibi ele alınmamıştır.

Kaynak görsel notu: Şekil 1 sistemin sıkı bağlı takip-haritalama akışını; Şekil 2–3 kamu veri kümelerindeki hız/kalite karşılaştırmalarını; Şekil 4 simüle yeraltı test ortamını; Şekil 5–7 yoğun 3B rekonstrüksiyonları; Şekil 8–10 ise üç ortamın yörünge görselleştirmelerini sunmaktadır.