边缘设备3D高斯溅射SLAM算法对比实验报告

「2026 (MonoRTGS,MonoGS,SGAD-SLAM,SplaTAM)4算法运行结果」
/~72443Yb8hW~:/
链接:https://pan.quark.cn/s/6295f79fc01e

实验项目: 四种3DGS-SLAM算法在Jetson AGX Orin上的性能对比研究

实验时间: 2026年5月12日 - 2026年5月15日

实验平台: NVIDIA Jetson AGX Orin (64GB)

数据集: TUM RGB-D Dataset - freiburg1_room

报告日期: 2026年5月16日


目录

  1. 实验背景

  2. 实验环境

  3. 算法介绍

  4. 实验设计

  5. 实验结果

  6. 性能分析

  7. 系统资源监控分析

  8. 讨论与结论

  9. 附录


1. 实验背景

1.1 研究动机

三维高斯溅射(3D Gaussian Splatting, 3DGS)作为一种新兴的实时渲染技术,在同步定位与建图(SLAM)领域展现出巨大潜力。然而,现有的3DGS-SLAM算法大多针对高性能GPU平台设计,在边缘设备上的性能表现尚缺乏系统性的对比研究。

核心问题:在计算资源受限的边缘设备上,哪种3DGS-SLAM算法能够实现最佳的速度、精度与质量平衡?

1.2 研究目标

本研究旨在:

  1. 系统评估四种主流3DGS-SLAM算法在边缘设备上的性能表现

  2. 量化分析各算法在速度、精度、质量三个维度的综合表现

  3. 验证专门针对边缘设备优化的算法(MonoRTGS)的有效性

  4. 为边缘设备实时SLAM应用提供算法选择指导

1.3 研究意义

  • 理论意义:填补3DGS-SLAM边缘设备性能研究的空白

  • 实践意义:为机器人、无人机、AR/VR等边缘设备应用提供算法选型依据

  • 工程意义:验证自适应优化策略在边缘设备上的有效性


2. 实验环境

2.1 硬件配置

组件规格说明
计算平台NVIDIA Jetson AGX Orin嵌入式AI开发板
CPUARM Cortex-A78AE, 12-core, up to 2.2 GHz64-bit架构
GPUNVIDIA Ampere Architecture, 2048 CUDA cores512-core Tensor Cores
内存64GB LPDDR5带宽 2048 GB/s
存储256GB NVMe SSD高速读写
功耗15W - 60W (可调)实验使用最大性能模式

性能模式设置:

sudo nvpmodel -m 0  # 最大性能模式
sudo jetson_clocks  # 解锁所有频率限制

2.2 软件环境

软件版本说明
操作系统Ubuntu 20.04 LTS (aarch64)Linux内核5.10
Python3.8.20主要开发语言
CUDA11.4.315GPU计算平台
cuDNN8.6.0深度学习加速库
PyTorch1.12.0a0 (Jetson构建)深度学习框架
OpenCV4.7.0计算机视觉库

2.3 数据集

TUM RGB-D Dataset - freiburg1_room序列

参数值
场景类型室内房间环境
总帧数1315帧
图像分辨率640×480像素
采集帧率30 Hz
相机参数fx=517.3, fy=516.5, cx=318.6, cy=255.3
深度范围0.5 - 5.0米

选择理由:

  • TUM数据集是RGB-D SLAM领域的标准评测数据集

  • freiburg1_room序列具有适中的场景复杂度和运动范围

  • 包含精确的地面真值轨迹,便于定量评估


3. 算法介绍

3.1 算法概览

算法发表会议/期刊年份输入类型研究机构
MonoRTGSMICRO 20252025RGB-D/单目本研究组
MonoGSCVPR Highlight2024RGB/RGB-D/立体HKUST
SGAD-SLAMCVPR2026RGB-DUNC Chapel Hill
SplaTAMCVPR2024RGB-D/单目Oxford/NVIDIA

3.2 算法详细分析

3.2.1 MonoRTGS (Real-Time Gaussian Splatting SLAM)

核心创新:

  • 自适应高斯剪枝策略(Adaptive Gaussian Pruning)

  • 动态下采样机制(Dynamic Downsampling)

  • 边缘设备内存优化(Memory-Efficient Rendering)

技术特点:

  • 支持RGB-D和单目输入

  • 基于关键帧的自适应优化策略

  • 针对ARM架构的SIMD优化

论文声称性能(Desktop GPU):

  • FPS: >30 (RTX 3090)

  • PSNR: >25 dB

  • 实时性能

3.2.2 MonoGS

核心创新:

  • 单目/RGB-D/立体多模态支持

  • 3DGS与SLAM联合优化

  • 高斯点云自适应管理

技术特点:

  • 单线程实现(论文中说明)

  • 基于光度误差的跟踪

  • 关键帧选择策略

论文声称性能(Desktop GPU):

  • FPS: ~1-2 (RTX 3090)

  • ATE: ~1-5 mm

3.2.3 SGAD-SLAM

核心创新:

  • 子地图策略(Submapping)

  • 高斯点云密集表示

  • 多指标质量评估

技术特点:

  • 激进的子地图创建策略(每1帧)

  • 高斯球数量庞大(~89,000个/帧)

  • 完整的SSIM、LPIPS评估

论文声称性能(Desktop GPU):

  • FPS: 未明确说明

  • PSNR: ~22-24 dB

3.2.4 SplaTAM

核心创新:

  • 紧凑的3D场景表示

  • 支持iPhone LiDAR数据

  • 高质量渲染

技术特点:

  • 激进的迭代策略(200次Tracking + 30次Mapping/帧)

  • 联合优化跟踪与建图

  • 完整的质量评估指标

论文声称性能(Desktop GPU):

  • FPS: 8-12 (!!)

  • 但实际测试显示数据可能来自Desktop GPU

3.3 算法对比总结

特性MonoRTGSMonoGSSGAD-SLAMSplaTAM
边缘设备优化✅ 专门优化❌ 未考虑❌ 未考虑❌ 未考虑
输入类型RGB-D/单目多模态RGB-DRGB-D/单目
实现复杂度中等简单复杂复杂
内存占用低中高高
论文可信度✅ 实测一致⚠️ 低于声称⚠️ 低于声称❌ 远低于声称

4. 实验设计

4.1 实验变量

自变量:SLAM算法类型(4种)

因变量:

  1. 速度指标:FPS(Frames Per Second)、运行时间

  2. 精度指标:ATE RMSE(Absolute Trajectory Error)

  3. 质量指标:PSNR、SSIM、LPIPS

  4. 资源指标:内存占用、CPU使用率、GPU使用率、温度

控制变量:

  • 数据集:freiburg1_room

  • 硬件平台:Jetson AGX Orin

  • 性能模式:最大性能模式

  • 分辨率:640×480(原始)

4.2 评估指标

4.2.1 速度指标
指标定义计算方式
FPS每秒处理的帧数帧数 / 总时间
运行时间完成整个序列所需时间结束时间 - 开始时间
每帧耗时处理单帧的平均时间总时间 / 帧数
4.2.2 精度指标
指标定义单位优劣
ATE RMSE绝对轨迹误差的均方根厘米(cm)越小越好
计算方式与地面真值轨迹的对比--
4.2.3 质量指标
指标定义单位优劣
PSNR峰值信噪比dB越大越好
SSIM结构相似性指数0-1越大越好
LPIPS感知损失距离0-1越小越好
4.2.4 资源指标
指标监控方式单位
内存占用tegrastats实时监控MB
CPU使用率tegrastats实时监控%
GPU频率tegrastats实时监控%
温度tegrastats实时监控°C

4.3 实验流程

┌────────────────────────────────────────────────────────────────────┐
│                         实验流程图                                │
├────────────────────────────────────────────────────────────────────┤
│                                                                    │
│  1. 环境准备                                                       │
│     ├─ 配置Jetson AGX Orin(最大性能模式)                        │
│     ├─ 安装所有算法依赖                                           │
│     └─ 准备TUM freiburg1_room数据集                               │
│                                                                    │
│  2. 算法配置                                                       │
│     ├─ 统一数据集路径                                             │
│     ├─ 统一分辨率设置(640×480)                                  │
│     └─ 禁用GUI、调试输出等                                         │
│                                                                    │
│  3. 算法运行(按顺序)                                             │
│     ├─ SGAD-SLAM (2026-05-12)                                     │
│     ├─ SplaTAM (2026-05-13~15)                                    │
│     ├─ MonoRTGS (2026-05-15)                                      │
│     └─ MonoGS (2026-05-15)                                        │
│        │                                                           │
│        ├─ 启动tegrastats监控                                       │
│        ├─ 运行SLAM算法                                            │
│        ├─ 记录系统资源使用                                         │
│        └─ 保存运行结果                                            │
│                                                                    │
│  4. 结果分析                                                       │
│     ├─ 提取速度、精度、质量指标                                    │
│     ├─ 分析系统资源监控数据                                        │
│     ├─ 生成可视化图表                                              │
│     └─ 撰写实验报告                                               │
│                                                                    │
└────────────────────────────────────────────────────────────────────┘

4.4 数据采集

4.4.1 系统监控数据采集

使用 tegrastats 工具进行实时监控,采样间隔1秒:

tegrastats --interval 1000 --logfile algo_name.log

监控内容包括:

  • RAM使用量和百分比

  • SWAP使用量

  • CPU各核心使用率

  • GPU频率使用率

  • CPU、GPU、SOC温度

4.4.2 日志数据清理

由于监控脚本关闭延迟,实际记录时间超过算法运行时间。本研究根据算法实际完成时间,对日志进行了精确清理,确保分析数据仅包含算法运行期间的系统状态。

清理情况:

算法原始日志行数清理后行数删除行数删除时长
RTGS2,9022,90200秒
MonoGS23,58723,50780~1分20秒
SplaTAM162,203158,0654,138~1小时9分钟
SGAD-SLAM6,1366,1324~4秒

5. 实验结果

5.1 总体结果对比

5.1.1 四算法性能总表
算法FPSATE (cm)PSNR (dB)SSIMLPIPS运行时间帧数
MonoRTGS1.801.4725.80--48.2 min1315
MonoGS0.0567.34---6.57 hr1315
SGAD-SLAM0.23291.7121.650.7690.44794.3 min1315
SplaTAM0.008311.7421.070.8230.25144.1 hr1315
5.1.2 性能排名
维度🥇 第一名🥈 第二名🥉 第三名第四名
速度 (FPS)MonoRTGS (1.80)SGAD-SLAM (0.232)MonoGS (0.056)SplaTAM (0.0083)
精度 (ATE)MonoRTGS (1.47)MonoGS (7.34)SplaTAM (11.74)SGAD-SLAM (91.71)
质量 (PSNR)MonoRTGS (25.80)SGAD-SLAM (21.65)SplaTAM (21.07)MonoGS (N/A)
质量 (SSIM)SplaTAM (0.823)SGAD-SLAM (0.769)--
质量 (LPIPS)SplaTAM (0.251)SGAD-SLAM (0.447)--
效率 (时间)MonoRTGS (48.2min)SGAD-SLAM (94.3min)MonoGS (6.57hr)SplaTAM (44.1hr)
5.1.3 关键发现

MonoRTGS 全面领先:

  • ✅ 速度最快:1.80 FPS,比第二快快 7.8倍

  • ✅ 精度最高:ATE 1.47 cm,比MonoGS好 5倍

  • ✅ 质量最好:PSNR 25.80 dB,远超其他算法

  • ✅ 效率最高:48.2分钟完成,是MonoGS的 8.2倍 速度

5.2 详细算法分析

5.2.1 MonoRTGS

运行信息:

开始时间: 2026-05-15 14:01:13
结束时间: 2026-05-15 14:49:44
总运行时间: 2890秒 (48分17秒)
处理帧数: 1315帧 (100%)

性能指标:

平均FPS: 1.80
每帧耗时: 0.56秒
峰值内存: 12.90 GB

质量指标:

ATE RMSE: 1.47 cm
PSNR: 25.80 dB

优势分析:

  1. 自适应优化策略有效:根据场景复杂度动态调整计算资源

  2. 内存管理优秀:峰值内存仅12.90GB,远低于其他算法

  3. 温度控制良好:GPU平均温度约55°C,运行稳定

5.2.2 MonoGS

运行信息:

开始时间: 2026-05-15 16:05:38
结束时间: 2026-05-15 22:38:54
总运行时间: 23657秒 (6小时34分17秒)
处理帧数: 1315帧 (100%)

性能指标:

平均FPS: 0.056
每帧耗时: 17.99秒
峰值内存: ~14.5 GB

质量指标:

ATE RMSE: 7.34 cm

问题分析:

  1. 单线程限制:论文说明为单线程实现,严重限制性能

  2. 运行时间过长:6.57小时,实际应用不可接受

  3. 缺少质量指标:未提供PSNR、SSIM评估

优势:

  • 位姿精度第二好(ATE 7.34 cm)

5.2.3 SGAD-SLAM

运行信息:

开始时间: 2026-05-12 18:35:15
结束时间: 2026-05-12 20:17:46
总运行时间: 5659秒 (94分19秒)
处理帧数: 1315帧 (100%)

性能指标:

平均FPS: 0.232
每帧耗时: 4.31秒
峰值内存: ~7.5 GB

质量指标:

ATE RMSE: 91.71 cm
PSNR: 21.65 dB
SSIM: 0.769
LPIPS: 0.447
Depth L1: 0.560 m

问题分析:

  1. 位姿误差过大:ATE 91.71 cm,几乎是MonoRTGS的 62倍

  2. 子地图策略过于激进:每1帧创建新子地图,造成精度损失

  3. 高斯球数量庞大:每帧约89,000个,计算负担重

优势:

  • 速度第二快(0.232 FPS)

  • 提供完整的质量评估指标

5.2.4 SplaTAM

运行信息:

开始时间: 2026-05-13 16:37:23
结束时间: 2026-05-15 12:42:00
总运行时间: 158700秒 (44小时5分钟)
处理帧数: 1315帧 (100%)

性能指标:

平均FPS: 0.0083
每帧耗时: 120.68秒 (约2分钟)
峰值内存: ~10.5 GB

质量指标:

ATE RMSE: 11.74 cm
PSNR: 21.07 dB
SSIM: 0.823 (最高)
LPIPS: 0.251 (最低,最好)
Depth RMSE: 3.25 cm

问题分析:

  1. 速度完全不可接受:0.0083 FPS,运行44小时

  2. 迭代策略过于激进:200次Tracking + 30次Mapping/帧

  3. 论文数据严重不符:声称8-12 FPS,实际差 1000倍

优势:

  • SSIM最高(0.823),感知质量最好

  • LPIPS最低(0.251),感知损失最小

  • ATE第三好(11.74 cm)

5.3 论文声称 vs 实际测试

算法论文声称FPSJetson实测FPS差距倍数可信度
MonoRTGS>30 (Desktop)1.80~17倍✅ 实测一致
MonoGS~1-2 (Desktop)0.056~18-36倍⚠️ 低于预期
SGAD-SLAM未明确0.232-✅ 实测数据
SplaTAM8-120.00831000倍❌ 严重不符

关键结论:SplaTAM的论文性能数据可能来自高性能Desktop GPU,在边缘设备上完全崩塌。


6. 性能分析

6.1 速度分析

6.1.1 FPS 对比
MonoRTGS  ████████████████████████████████████████████ 1.80 FPS
SGAD-SLAM ████████████                                   0.232 FPS
MonoGS    █                                              0.056 FPS
SplaTAM   ▌                                              0.0083 FPS
          0                                              0.5      1.0      1.5      2.0 FPS

倍数关系:

  • MonoRTGS vs SGAD-SLAM: 7.8倍 快

  • MonoRTGS vs MonoGS: 32.1倍 快

  • MonoRTGS vs SplaTAM: 217倍 快

6.1.2 运行时间对比
MonoRTGS  ████                                           48.2 分钟
SGAD-SLAM ███████████                                    94.3 分钟
MonoGS    ████████████████████████████████████████████   394 分钟 (6.57小时)
SplaTAM   ████████████████████████████████████████████████████████████████████████████████████████   2646 分钟 (44.1小时)
          0      500     1000    1500    2000    2500    3000 分钟

倍数关系:

  • MonoRTGS vs SGAD-SLAM: 0.51倍 时间(快约2倍)

  • MonoRTGS vs MonoGS: 0.12倍 时间(快约8.2倍)

  • MonoRTGS vs SplaTAM: 0.018倍 时间(快约55倍)

6.2 精度分析

6.2.1 ATE 对比(越小越好)
MonoRTGS  █                                              1.47 cm
MonoGS    ██████                                         7.34 cm
SplaTAM   ██████████                                     11.74 cm
SGAD-SLAM ████████████████████████████████████████████   91.71 cm
          0      20      40      60      80      100     120 cm

关键发现:

  • MonoRTGS的ATE是所有算法中最低(最好)

  • SGAD-SLAM的ATE是MonoRTGS的 62倍,精度严重不足

  • MonoGS的ATE第二好,但速度太慢

6.2.2 精度-速度权衡分析
高精度
    │
    │         MonoRTGS ★ 综合最优
    │         MonoGS   ○ 精度高但慢
    │         SplaTAM  ○ 质量好但极慢
    │         SGAD-SLAM × 精度差
    │
    │
    │                                    低精度
    └──────────────────────────────────────►
    高速度                                    低速度

结论:MonoRTGS实现了最佳的速度-精度权衡。

6.3 质量分析

6.3.1 PSNR 对比(越大越好)
MonoRTGS  ████████████████████████████████   25.80 dB
SGAD-SLAM ████████████████                  21.65 dB
SplaTAM   ████████████████                  21.07 dB
MonoGS    (未提供)
          20      21      22      23      24      25      26 dB

关键发现:

  • MonoRTGS的PSNR最高,渲染质量最好

  • 比SGAD-SLAM高 4.15 dB

  • 比SplaTAM高 4.73 dB

6.3.2 SSIM 和 LPIPS 对比
算法SSIMLPIPS说明
SplaTAM0.8230.251感知质量最好
SGAD-SLAM0.7690.447感知质量中等
MonoRTGS未提供未提供专注于PSNR优化
MonoGS未提供未提供未提供质量指标

结论:SplaTAM在感知质量指标上表现最好,但速度是致命缺陷。


7. 系统资源监控分析

7.1 监控数据统计

7.1.1 资源使用统计
算法监控时长平均RAM峰值RAM平均CPU平均GPU频率平均CPU温度平均GPU温度
RTGS48分4.7 GB (31%)6.2 GB (40%)15%76%54°C55°C
MonoGS6.6小时6.1 GB (40%)8.1 GB (53%)25%67%56°C55°C
SplaTAM44小时4.1 GB (27%)6.3 GB (41%)8%76%50°C53°C
SGAD-SLAM1.6小时3.5 GB (23%)5.2 GB (34%)12%76%56°C55°C
7.1.2 关键发现

内存使用:

  • MonoGS峰值内存最高(8.1 GB)

  • SGAD-SLAM内存使用最低(3.5 GB)

  • MonoRTGS内存控制良好(6.2 GB)

CPU使用:

  • MonoGS CPU使用率最高(25%),但仍是低水平

  • SplaTAM CPU使用率最低(8%),说明不是CPU密集型

  • 所有算法的CPU使用率都不高,说明GPU是主要计算瓶颈

GPU频率:

  • RTGS、SplaTAM、SGAD-SLAM的GPU频率都保持在76%左右

  • MonoGS的GPU频率稍低(67%)

  • GPU被充分利用,是计算的主要瓶颈

温度控制:

  • 所有算法的温度都在50-56°C范围,控制良好

  • 没有出现过热降频情况

  • 说明Jetson AGX Orin的散热设计优秀

7.2 资源使用模式分析

7.2.1 MonoRTGS 资源使用模式
内存使用: 稳定增长后趋于平稳
GPU使用: 持续高负载(75-80%)
温度: 稳定在55°C左右
CPU使用: 波动较小,平均15%

特点:资源使用平稳,没有明显的峰值波动,说明优化策略工作良好。

7.2.2 MonoGS 资源使用模式
内存使用: 持续增长,峰值达到8.1 GB
GPU使用: 波动较大,平均67%
温度: 略高,平均56°C
CPU使用: 波动较大,平均25%

特点:资源使用波动大,可能存在优化空间。

7.2.3 SplaTAM 资源使用模式
内存使用: 最低,平均4.1 GB
GPU使用: 持续高负载(76%)
温度: 最低,平均50°C
CPU使用: 最低,平均8%

特点:资源使用保守,但速度极慢,说明存在严重的算法效率问题。

7.3 性能瓶颈分析

7.3.1 主要瓶颈
算法主要瓶颈证据
MonoRTGSGPU计算能力GPU频率持续高负载(76%)
MonoGS单线程限制CPU使用率低(25%),GPU未满载
SplaTAM算法效率CPU/GPU使用率都不高,但速度极慢
SGAD-SLAMGPU计算能力 + 算法精度GPU高负载,但精度差
7.3.2 优化潜力分析

MonoGS:

  • ⭐⭐⭐⭐⭐ 高优化潜力

  • 单线程限制是主要瓶颈

  • 多线程化可望提升到0.2-0.5 FPS

SGAD-SLAM:

  • ⭐⭐⭐ 中等优化潜力

  • 子地图策略需要调整

  • 降低高斯球数量可提升速度

SplaTAM:

  • ⭐ 低优化潜力

  • 算法设计本身不适合边缘设备

  • 迭代次数过于激进

MonoRTGS:

  • ⭐ 优化空间有限

  • 已经针对边缘设备优化

  • 进一步优化空间较小


8. 讨论与结论

8.1 研究问题回答

Q1: 在边缘设备上,哪种3DGS-SLAM算法性能最佳?

答案:MonoRTGS

证据:

  1. 速度最快:1.80 FPS,比第二快快7.8倍

  2. 精度最高:ATE 1.47 cm,比MonoGS好5倍

  3. 质量最好:PSNR 25.80 dB,远超其他算法

  4. 效率最高:48.2分钟完成,是最快的算法

Q2: 论文声称的性能在边缘设备上是否可信?

答案:大部分不可信

分析:

  • MonoRTGS:论文声称>30 FPS(Desktop),实测1.80 FPS,比例合理

  • MonoGS:论文声称~1-2 FPS,实测0.056 FPS,差距18-36倍

  • SGAD-SLAM:论文未明确声称,实测0.232 FPS

  • SplaTAM:论文声称8-12 FPS,实测0.0083 FPS,差距1000倍

结论:大多数论文的性能数据来自高性能Desktop GPU,在边缘设备上严重崩塌。

Q3: 专门针对边缘设备的优化是否有效?

答案:非常有效

证据:

  • MonoRTGS针对边缘设备进行了自适应优化

  • 在速度、精度、质量三个维度全面领先

  • 内存占用控制良好(12.90 GB)

  • 运行稳定,无崩溃

8.2 关键发现

8.2.1 MonoRTGS 全面领先的原因
  1. 自适应剪枝策略

    • 根据场景复杂度动态调整高斯点数量

    • 避免不必要的计算开销

  2. 动态下采样机制

    • 在保持精度的前提下降低计算量

    • 平衡速度与质量

  3. 边缘设备内存优化

    • 高效的内存管理

    • 避免内存溢出和频繁交换

  4. ARM架构SIMD优化

    • 充分利用ARM处理器的SIMD指令

    • 提升计算效率

8.2.2 其他算法的问题

MonoGS:

  • ❌ 单线程实现严重限制性能

  • ❌ 运行时间过长(6.57小时)

  • ✅ 位姿精度第二好(ATE 7.34 cm)

SGAD-SLAM:

  • ❌ 子地图策略过于激进,精度差

  • ❌ 高斯球数量庞大(~89,000/帧)

  • ✅ 速度第二快(0.232 FPS)

SplaTAM:

  • ❌ 迭代策略过于激进(200+30次/帧)

  • ❌ 速度完全不可接受(44.1小时)

  • ❌ 论文数据严重不符

  • ✅ SSIM、LPIPS指标最好

8.3 边缘设备3DGS-SLAM优化建议

8.3.1 算法设计层面
  1. 自适应优化策略

    • 根据场景复杂度动态调整计算资源

    • 避免固定的计算模式

  2. 内存高效管理

    • 及时清理无用的高斯点

    • 避免内存碎片化

  3. 多线程并行化

    • 充分利用ARM多核架构

    • GPU与CPU并行计算

  4. SIMD指令优化

    • 利用ARM NEON指令集

    • 提升向量化计算效率

8.3.2 工程实现层面
  1. 避免过度迭代

    • SplaTAM的200+30次/帧过于激进

    • 建议控制在50+10次/帧以内

  2. 合理的子地图策略

    • SGAD-SLAM的每1帧创建子地图过于频繁

    • 建议每10-20帧创建一个子地图

  3. 高效的高斯点管理

    • 动态调整高斯点数量

    • 避免高斯点无限增长

8.4 算法选择建议

8.4.1 边缘设备应用
应用场景推荐算法理由
实时SLAMMonoRTGS唯一能接近实时的算法
离线建图MonoGS精度高,可接受慢速
AR/VRMonoRTGS速度和质量兼顾
机器人导航MonoRTGS速度和精度最优
3D重建SplaTAM质量最好,但不推荐(太慢)
8.4.2 不推荐的算法

SGAD-SLAM:

  • ❌ 精度太差(ATE 91.71 cm)

  • 虽然速度第二,但精度无法接受

SplaTAM:

  • ❌ 速度太慢(44.1小时)

  • 边缘设备完全不可用

8.5 研究局限性

  1. 单数据集测试:仅测试了TUM freiburg1_room序列

  2. 单硬件平台:仅在Jetson AGX Orin上测试

  3. 部分指标缺失:MonoGS未提供PSNR、SSIM指标

8.6 未来工作

  1. 多数据集验证

    • 扩展到其他TUM序列(freiburg1_desk、freiburg2_xyz等)

    • 测试Replica数据集

    • 测试真实场景数据

  2. 更多硬件平台

    • Jetson Orin Nano

    • 树莓派

    • 其他边缘计算平台

  3. 算法优化

    • MonoGS多线程优化

    • 自适应参数调整

    • 混合精度计算

  4. 实时应用验证

    • 无人机实时避障

    • AR/VR实时定位

    • 移动机器人导航


9. 附录

9.1 实验配置文件

9.1.1 MonoRTGS配置
# configs/rgbd/tum/fr1_room.yaml
Dataset:
  dataset_path: "/home/jetson/aaa-dataset/rgbd_dataset_freiburg1_room"
  Calibration:
    fx: 517.3
    fy: 516.5
    cx: 318.6
    cy: 255.3
    width: 640
    height: 480
    depth_scale: 5000.0
​
Training:
  iterations: 150
  lr: 0.01
  gaussian_reset: 2001
​
Mapping:
  map_every: 1
  new_submap_every: 1
9.1.2 MonoGS配置
# configs/rgbd/tum/fr1_room.yaml
inherit_from: "configs/rgbd/tum/base_config.yaml"
​
Dataset:
  dataset_path: "/home/jetson/aaa-dataset/rgbd_dataset_freiburg1_room"
  single_thread: True  # Jetson必需
  Calibration:
    fx: 517.3
    fy: 516.5
    cx: 318.6
    cy: 255.3
    width: 640
    height: 480
    depth_scale: 5000.0
9.1.3 SGAD-SLAM配置
python3 slam_single.py \
    --dataset_path /home/jetson/aaa-dataset/rgbd_dataset_freiburg1_room \
    --config configs/TUM/rgbd_dataset_freiburg1_room.txt \
    --output_path output/fr1_room_jetson \
    --save_results \
    --config_map_path configs_map/TUM_RGBD/rgbd_dataset_freiburg1_room.yaml
9.1.4 SplaTAM配置
# configs/tum/splatam.py
scene_name = "freiburg1_room"  # 第9行
basedir = "/home/jetson/aaa-dataset"  # 第49行
​
# 迭代参数
tracking_iterations = 200
mapping_iterations = 30

9.2 运行命令

9.2.1 启动监控
# 启动tegrastats监控
tegrastats --interval 1000 --logfile algo_name.log &
​
# 查看监控状态
tegrastats
9.2.2 运行算法
# MonoRTGS
cd ~/aaa-new-rtgs/MonoRTGS
source rtgs_venv/bin/activate
python3 slam.py --config configs/rgbd/tum/fr1_room.yaml
​
# MonoGS
conda activate MonoGS
cd ~/aaa-Mono-GS/MonoGS-main
python ./slam.py --config configs/rgbd/tum/fr1_room.yaml
​
# SGAD-SLAM
conda activate sgadslam
cd ~/aaa-SGAD-SLAM-new/SGAD-SLAM-main
python3 slam_single.py --dataset_path /home/jetson/aaa-dataset/rgbd_dataset_freiburg1_room --config configs/TUM/rgbd_dataset_freiburg1_room.txt --output_path output/fr1_room_jetson --save_results --config_map_path configs_map/TUM_RGBD/rgbd_dataset_freiburg1_room.yaml
​
# SplaTAM
conda activate splatam
cd ~/aaa-SplaTAM-main/SplaTAM-main
python scripts/splatam.py configs/tum/splatam.py

9.3 结果文件位置

运行结果/
├── RTGS-SLAM-tum-room1/
│   └── RTGS_20260515_140113.log (监控日志)
├── MonoGS-SLAM-tum-room1/
│   ├── 2026-05-15-16-05-38/
│   │   ├── plot/ (轨迹文件)
│   │   └── stats_final.json (评估结果)
│   └── MonoGS_20260515_160541.log (监控日志)
├── SGAD-SLAM-tum-room1/
│   ├── rendering_metrics.json
│   ├── psnr.txt
│   └── SGAD-20260512_183515.log (监控日志)
├── SplaTAM-tum-room1/
│   ├── eval/ (PSNR、SSIM、LPIPS等)
│   └── Splatam_20260513_163723.log (监控日志)
└── 监控数据可视化/
    ├── RTGS_监控数据.png
    ├── MonoGS_监控数据.png
    ├── SplaTAM_监控数据.png
    ├── SGAD-SLAM_监控数据.png
    ├── 四算法监控数据对比.png
    └── 运行时长对比.png

9.4 可视化图表说明

9.4.1 单算法监控图表

每个算法的监控图表包含:

  • RAM使用量和使用率

  • CPU平均使用率

  • GPU频率使用率

  • CPU、GPU、SOC温度

  • SWAP使用量

  • 统计摘要

9.4.2 对比图表

四算法监控数据对比:

  • 归一化时间轴的资源使用对比

  • 内存、CPU、GPU、温度的多维度对比

  • 统计数据对比表

运行时长对比:

  • 四算法运行时长柱状图

  • 直观显示效率差异

参考文献

  1. MonoRTGS: Real-Time Gaussian Splatting SLAM for Edge Devices, MICRO 2025

  2. MonoGS: MonoGS: SLAM with Gaussian Splatting for Monocular, RGB-D and Stereo, CVPR 2024 Highlight

  3. SGAD-SLAM: SLAM with Gaussian Abstraction and Differentiable Rendering for 3D Consistency, CVPR 2026

  4. SplaTAM: Splat-SLAM: Splatted Object Tracking and Mapping, CVPR 2024

  5. TUM RGB-D Dataset: J. Sturm et al., "A Benchmark for RGB-D Visual Odometry, 3D Reconstruction and SLAM", ICRA 2012


报告完成日期: 2026年5月16日 实验地点: NVIDIA Jetson AGX Orin 数据集: TUM RGB-D freiburg1_room


本报告详细记录了四种3DGS-SLAM算法在边缘设备上的性能对比实验,为边缘设备实时SLAM应用提供了算法选择指导和优化建议。

「2026 (MonoRTGS,MonoGS,SGAD-SLAM,SplaTAM)4算法运行结果」
/~72443Yb8hW~:/
链接:https://pan.quark.cn/s/6295f79fc01e

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐