在多机器人系统于大规模户外环境执行任务时，协同稠密SLAM是实现可扩展且一致的三维感知的关键技术。然而，现有系统通常依赖深度传感器，这带来了显著的负载、功耗和校准成本。虽然单目RGB相机是一种轻量级替代方案，但协同单目稠密SLAM仍面临诸多挑战：尺度模糊、智能体间数据关联不可靠，尤其是在户外场景中，重叠度低和重复结构使得传统特征匹配难以胜任，因此需要更鲁棒的几何信息。
针对这些问题，论文提出了CoMo3R-SLAM，这是首个利用鲁棒的学习前馈三维重建先验的协同单目稠密RGB SLAM系统，专为户外多智能体建图设计。该系统采用分布式架构：每个智能体运行一个先验引导的前端，进行实时跟踪和局部稠密融合；而协调器则执行稠密点图匹配以进行跨智能体验证、闭式Sim(3)规范同步，以及带有段级深度优化的GPU加速全局光束法平差。
CoMo3R-SLAM的核心创新在于利用学习到的三维重建先验来克服单目视觉的固有缺陷。这些先验提供了可靠的几何信息，使得系统能够在缺乏深度传感器和参数化内参的情况下，从单目RGB图像中生成鲁棒的跨智能体约束和全局一致的度量地图。通过前馈三维重建网络，每个智能体能够获得局部稠密的三维点图，而协调器则通过点图匹配建立智能体间的关联，并进行全局优化以保证一致性。
在实验评估中，CoMo3R-SLAM在Tanks and Tunnels和Waymo数据集上展现了优异的性能。在Tanks and Tunnels的四个场景中，有三个场景取得了最佳绝对轨迹误差（ATE），而在Waymo数据集上也达到了有竞争力的精度。与最先进的RGB-D方法相比，CoMo3R-SLAM的精度匹配或超越，同时仅依赖单目RGB输入，且在线运行速度达到8 FPS。
该系统的提出为户外多智能体协同稠密SLAM提供了一种轻量级、低成本的解决方案，有望推动多机器人系统在搜索救援、环境监测和自主导航等领域的应用。未来工作可能包括进一步优化计算效率、扩展至更大规模场景以及融合其他传感器模态以提升鲁棒性。