Une équipe de recherche de l'Université technique nationale d'Athènes (NTUA) a présenté GLAM-SLAM, un système de cartographie à grande échelle en temps réel qui applique le splatting gaussien au problème SLAM (localisation et cartographie simultanées). Accepté à IROS 2026, la méthode relève un défi de longue date : comment construire des cartes 3D denses et haute fidélité de grands environnements sans sacrifier les performances en temps réel.
Le problème du SLAM gaussien
Le splatting gaussien a révolutionné la synthèse de nouvelles vues avec un rendu rapide et de haute qualité des scènes 3D. Mais son application au SLAM — où un robot doit construire une carte et se localiser à la volée — pose deux problèmes majeurs : le passage à l'échelle de grands environnements et le remplissage efficace de la géométrie entre les images.
Les systèmes SLAM gaussiens traditionnels rencontrent des difficultés lors de la cartographie de grands espaces car les primitives gaussiennes s'accumulent rapidement, gonflant la mémoire et ralentissant le rendu. GLAM-SLAM s'attaque directement aux deux goulots d'étranglement.
Deux innovations clés
Densification par flux : Au lieu d'attendre que plusieurs vues de caméra s'accumulent avant d'ajouter des Gaussiens, GLAM-SLAM utilise le flux optique pour propager les Gaussiens existants dans de nouvelles régions. Cela produit des cartes plus denses à partir de moins d'images, remplissant la géométrie plus rapidement tout en maintenant la qualité du suivi.
Décomposition spatiale : Le système divise l'environnement en sous-cartes spatiales, chacune avec son propre ensemble de Gaussiens. Cela signifie que le robot ne charge que la région active en mémoire, rendant la cartographie à grande échelle faisable même sur des plates-formes à capacité de calcul limitée.
Résultats et performances
Sur les benchmarks standard, GLAM-SLAM atteint une qualité de reconstruction compétitive tout en maintenant des fréquences d'images en temps réel sur des GPU grand public. L'approche par décomposition spatiale permet la cartographie d'environnements d'un ordre de grandeur plus grands que ce que les systèmes SLAM gaussiens monolithiques peuvent gérer.
Pourquoi c'est important pour la robotique
Pour les robots autonomes — des AMR d'entrepôt aux humanoïdes opérant dans des usines — la qualité et l'échelle des cartes environnementales déterminent directement les tâches qu'ils peuvent accomplir. Un robot disposant d'une carte 3D détaillée et à jour peut naviguer plus fiablement, manipuler des objets plus précisément et planifier plus efficacement.
La combinaison de GLAM-SLAM — cartographie gaussienne haute fidélité et performance en temps réel sur du matériel à ressources limitées — en fait un candidat prometteur pour les systèmes de perception robotique de nouvelle génération. La méthode est particulièrement pertinente pour les systèmes d'IA incarnée qui doivent comprendre à la fois la géométrie et l'apparence de leurs environnements pour accomplir des tâches à long terme.
La page du projet et le code devraient être publiés parallèlement à la présentation IROS 2026.
