GeoGS-SLAM: плотный монокулярный SLAM на основе геометрии без моделирования внешнего вида

Исследователи представили новый метод плотного монокулярного SLAM, который полностью отказывается от моделирования внешнего вида сцены, сосредоточившись исключительно на геометрии. Этот подход, названный GeoGS-SLAM, использует гауссовы сплаттинги (3DGS) и сокращает количество параметров на примитив более чем на 80%, а также уменьшает число необходимых гауссовых примитивов. Такое решение позволяет значительно упростить вычисления и повысить эффективность картографирования, что особенно важно для робототехнических задач, таких как навигация и избегание препятствий.

Традиционные методы 3DGS для SLAM одновременно моделируют внешний вид и геометрию, что требует большого количества параметров и вычислительных ресурсов. Однако для многих приложений, особенно в робототехнике, точная геометрия имеет первостепенное значение, в то время как фотореалистичный рендеринг не является необходимым. GeoGS-SLAM доказывает, что можно обойтись без моделирования внешнего вида, что открывает новые возможности для создания более легких и быстрых систем SLAM.

Как работает GeoGS-SLAM

GeoGS использует только пространственные параметры гауссовых примитивов, такие как среднее и ковариация, полностью игнорируя цвет и непрозрачность. Это радикально упрощает модель: вместо десятков параметров на примитив теперь требуется всего несколько. Авторы разработали эффективный тренировочный фреймворк, который использует одно- и многовидовую геометрическую и фотометрическую супервизию. Для ускорения сходимости применяется инициализация на основе локальных плоскостей, что позволяет быстро получить начальную оценку геометрии.

Ключевым нововведением является стратегия обновления карты при замыкании петель. В отличие от традиционных методов, которые могут приводить к разрывам и несоответствиям, GeoGS глобально трансформирует карту гауссианов, сохраняя целостность реконструкции. Это особенно важно для долгосрочной навигации, когда робот возвращается в уже исследованные области.

Какие преимущества дает отказ от внешнего вида

Отказ от моделирования внешнего вида позволяет не только сократить количество параметров, но и уменьшить число необходимых гауссовых примитивов. Это приводит к более компактным картам, которые требуют меньше памяти и быстрее обрабатываются. Эксперименты на синтетических и реальных данных показали, что GeoGS превосходит современные методы (SOTA) по качеству реконструкции геометрии и эффективности онлайн-картографирования. Особенно заметно преимущество в сценах с низкой текстурой, где традиционные методы, основанные на внешнем виде, часто терпят неудачу.

Кроме того, GeoGS демонстрирует высокую стабильность при замыкании петель, что критично для точной навигации. Глобальная трансформация карты позволяет избежать накопления ошибок и обеспечивает гладкую интеграцию новых наблюдений.

Какие ограничения существуют у GeoGS-SLAM

Несмотря на впечатляющие результаты, у метода есть и ограничения. В текущей версии не рассматриваются динамические сцены, где объекты движутся, что может привести к ошибкам в карте. Также не исследована производительность на мобильных платформах с ограниченными ресурсами, хотя уменьшение количества параметров предполагает потенциальную пригодность для таких систем. Сильные окклюзии также могут создавать проблемы, так как метод полагается на геометрическую супервизию, которая может быть неполной в таких условиях.

Кому будет полезен GeoGS-SLAM

Разработчики систем SLAM и навигации для роботов, исследователи в области компьютерного зрения и 3D-реконструкции найдут в GeoGS-SLAM интересный инструмент. Особенно актуален метод для приложений, где точная геометрия важнее визуальной привлекательности, например, для автономных транспортных средств, дронов и промышленных роботов. Упрощение модели также может способствовать внедрению SLAM на устройствах с ограниченными вычислительными мощностями.

Как GeoGS-SLAM сравнивается с другими методами

По сравнению с традиционными методами 3DGS, GeoGS требует значительно меньше параметров, что ускоряет обучение и инференс. В тестах на синтетических данных, таких как Replica и TUM RGB-D, GeoGS показал более высокую точность реконструкции геометрии, особенно в областях с низкой текстурой. На реальных данных из набора ScanNet метод также превзошел конкурентов по метрикам глубины и нормалей. Однако в сценах с богатой текстурой и сложным освещением традиционные методы могут сохранять преимущество, так как они используют дополнительную информацию о внешнем виде.

Что пока неизвестно о GeoGS-SLAM

В статье не обсуждается поведение метода в динамических сценах или при сильных окклюзиях. Также не представлены результаты тестирования на мобильных платформах, хотя авторы отмечают потенциальную эффективность. Будущие исследования могут быть направлены на расширение метода для работы с динамикой и на оптимизацию для встраиваемых систем.

GeoGS-SLAM представляет собой важный шаг в развитии плотного монокулярного SLAM, показывая, что отказ от моделирования внешнего вида не только возможен, но и выгоден для многих приложений. Этот подход может стать основой для новых, более эффективных систем навигации и картографирования.