随着低空遥感在应急响应、资源调查及大规模环境监测等关键领域的应用日益广泛，高效、高精度的实时三维重建需求日益迫切。然而，传统的单无人机SLAM系统受限于飞行续航，难以实现大规模覆盖，而传统的离线结构光（SfM）方法虽精度较高，但存在严重的计算延迟和繁琐的后处理流程，无法满足实时决策场景下的时效性要求。针对这一问题，研究团队提出了一种名为MSRS-SLAM的实时多无人机协同稠密建图系统，实现了大规模低空场景下的实时稠密重建与语义增强，为多智能体协同感知和实时环境建模提供了新的技术路径。

具体而言，该框架构建了一套从前端感知到后端融合的完整管线：前端采用视觉里程计（VO）进行快速位姿估计，随后利用深度多视图立体视觉（diffMVS）生成局部稠密地图。为解决多智能体一致性挑战，系统引入了一种鲁棒的两阶段地图融合策略，通过“3D-3D特征匹配+Umeyama算法”实现初始对齐，并结合FastVGICP算法进行精确的相对位姿精细化。同时，通过跨智能体环路检测与全局位姿图优化（PGO）消除累积漂移。此外，系统集成了一个基于SAM3的训练无关、开放词汇语义分割模块，实现了语义丰富的3D地图构建。

实验结果表明，MSRS-SLAM在四个真实数据集上均表现出极高的定位精度，绝对位姿误差（APE）稳定在0.21米至0.70米之间。在效率方面，该系统在Village数据集上的重建时间仅为6.34分钟，较离线基准实现了数倍的耗时缩减。语义重建方面，在UAVid数据集上达到了54.57%的mIoU和67.97%的mACC。机制分析表明，该系统通过在计算效率与重建精度之间取得最优平衡，有效解决了单目尺度模糊和大规模场景下的轨迹漂移问题。

该框架的核心贡献在于为多无人机集群在复杂、低纹理环境下实现高效的实时协同建图提供了理论支撑，显著增强了低空遥感在时空紧迫任务中的可行性。由此生成的具有语义信息的稠密3D模型，可直接服务于城市数字孪生、精准灾害评估及自主导航等潜在应用。从这一视角构建的协作建图框架，将高效率的稠密空间信息转化为可实时利用的感知资产，为未来低空智能运行的监管实践与规模化部署提供了关键的工具支撑。

图1 MSRS-SLAM系统总体架构

 图2 四个数据集上生成的密集重建和语义分割结果

论文原文：Bing Du, Xiaohan Liao, Huanyin Yue, Yuyu Zhang, Huping Ye, Jianli Liu, MSRS-SLAM: A real-time multi-UAV dense mapping system for efficient low-altitude remote sensing, International Journal of Applied Earth Observation and Geoinformation, 2026, 151, 105387, ISSN 1569-8432, https://doi.org/10.1016/j.jag.2026.105387.