WildGS-SLAM: SLAM con Gaussian Splatting Monoculare in Ambienti Dinamici

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

Autori: Jianhao Zheng, Zihan Zhu, Valentin Bieri, Marc Pollefeys, Songyou Peng, Iro Armeni

cs.AI

Abstract

Presentiamo WildGS-SLAM, un sistema monoscopico RGB SLAM robusto ed efficiente progettato per gestire ambienti dinamici sfruttando una mappatura geometrica consapevole dell'incertezza. A differenza dei tradizionali sistemi SLAM, che presuppongono scene statiche, il nostro approccio integra informazioni sulla profondità e sull'incertezza per migliorare le prestazioni di tracciamento, mappatura e rendering in presenza di oggetti in movimento. Introduciamo una mappa dell'incertezza, predetta da un percettrone multistrato poco profondo e dalle caratteristiche di DINOv2, per guidare la rimozione degli oggetti dinamici durante il tracciamento e la mappatura. Questa mappa dell'incertezza migliora l'aggiustamento a fasci densi e l'ottimizzazione della mappa gaussiana, aumentando l'accuratezza della ricostruzione. Il nostro sistema è valutato su più dataset e dimostra una sintesi visiva priva di artefatti. I risultati mostrano le prestazioni superiori di WildGS-SLAM in ambienti dinamici rispetto ai metodi all'avanguardia.

English

We present WildGS-SLAM, a robust and efficient monocular RGB SLAM system designed to handle dynamic environments by leveraging uncertainty-aware geometric mapping. Unlike traditional SLAM systems, which assume static scenes, our approach integrates depth and uncertainty information to enhance tracking, mapping, and rendering performance in the presence of moving objects. We introduce an uncertainty map, predicted by a shallow multi-layer perceptron and DINOv2 features, to guide dynamic object removal during both tracking and mapping. This uncertainty map enhances dense bundle adjustment and Gaussian map optimization, improving reconstruction accuracy. Our system is evaluated on multiple datasets and demonstrates artifact-free view synthesis. Results showcase WildGS-SLAM's superior performance in dynamic environments compared to state-of-the-art methods.