DynoSLAM: 基于生成式图神经网络的动态SLAM用于真实世界社交导航

arXiv 2026 49.9 method, system, application

TLDR

DynoSLAM将基于随机GNN的世界模型集成到SLAM中，用于行人运动预测，实现动态环境下的鲁棒导航。

评分理由

The paper presents a novel approach combining graph neural networks with SLAM to handle dynamic pedestrians, addressing the static environment limitation. Its strength lies in the probabilistic formulation using Monte Carlo rollouts to capture uncertainty. However, the lack of real-world experiments limits validation of practical applicability.

Read-first 评分解释

综合优先阅读分 49.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

73.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.73795745

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验

主题相关性 29%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：260。

关键词评分

world model

world dynamics prediction

interactive world model

generative world model

model-based reinforcement learning world model

world simulator

video world model

深度分析

创新点

紧密耦合的动态GraphSLAM架构，将社交感知图神经网络（GNN）直接集成到因子图优化中
使用训练好的GNN进行蒙特卡洛展开的行人运动预测随机世界模型公式
动态马氏距离因子，将人类交互的多模态认知不确定性嵌入SLAM图
从未来行人状态的经验均值和协方差导出的概率安全包络，用于下游局部规划器

方法

DynoSLAM用随机世界模型取代了刚性的恒定速度启发式或确定性单智能体神经先验。它使用训练好的社交感知GNN进行蒙特卡洛展开，以捕捉人类交互的多模态认知不确定性，然后通过动态马氏距离因子将其嵌入SLAM因子图。该框架通过大量模拟实验进行评估。

关键结果

随机公式保持了高精度的回溯跟踪，并防止了由确定性'argmax问题'引起的优化失败。它使得在密集拥挤的模拟环境中实现预期性和无碰撞的机器人导航成为可能。

局限性

仅在模拟环境中验证，未在真实拥挤空间测试
依赖准确的GNN预测，可能无法泛化到未见过的交互模式
蒙特卡洛展开的潜在计算开销可能限制实时应用

技术栈

Graph Neural NetworksFactor Graph SLAMMonte Carlo RolloutsMahalanobis Distance

资源

论文