ActiveSplat

Li 2025 · 論文

一行要約 — 密な3D Gaussian Splattingマップと、ワークスペースの疎なVoronoiグラフによる抽象化を組み合わせた自律的アクティブマッピングシステム(RA-L 2025)。ロボット自身が、再構成の完全性と忠実度を最大化するために、どこへ行き、どこを見るかを決定する。

問題

レンダリングベースの再構成(NeRF、3DGS)はシーン固有かつデータ依存であるため、「視点カバレッジが不十分なために生じることが多いノイズやアーティファクトに非常に敏感」であり、品質は撮影軌跡に大きく左右される。アクティブマッピングはこの問題を反転させる。移動エージェントがその場で再構成を行い、即時のマップ品質を評価し、環境全体をカバーする経路を計画するのである。これには、高速で写実的なレンダリング(視点品質評価用)と、ワークスペース上での効率的かつ安全な計画の両方をサポートする表現が必要であり、これは密なGaussianマップ単体では提供できず、また体積ニューラルフィールド(ANM-S)は収束が遅すぎて対応できない。

手法とアーキテクチャ

姿勢付きRGB-D入力に対する知覚-行動ループであり、3つのモジュールがすべて同じスプラッティング演算を再利用する。

• ハイブリッドマップ更新: 各Gaussianは色$\mathbf{c}$、中心$\boldsymbol{\mu}$、共分散$\Sigma$、不透明度$o$を持ち、ピクセルごとの影響度は$f_i(\mathbf{u}_k)=o\cdot\exp(-\frac{1}{2}(\mathbf{x}(\mathbf{u}_k)-\boldsymbol{\mu}_i)^{\top}\Sigma^{-1}(\mathbf{x}(\mathbf{u}_k)-\boldsymbol{\mu}_i))$である。色、深度、そして可視性(累積不透明度)はすべて前から後ろへのブレンディングでレンダリングされる。

$$\hat{C}_k=\sum_{i=1}^{n_k}\mathbf{c}_i f_i(\mathbf{u}_k)\prod_{j=1}^{i-1}(1-f_j(\mathbf{u}_k)), \qquad \hat{O}_k=\sum_{i=1}^{n_k}f_i(\mathbf{u}_k)\prod_{j=1}^{i-1}(1-f_j(\mathbf{u}_k))$$

最適化はSplaTAMの損失関数に従い、$L=w_c L_{pho}+w_d L_{geo}$、$L_{pho}=\lambda_1|C_k-\hat{C}_k|+\lambda_2(1-\mathrm{SSIM}(C_k,\hat{C}_k))$、$L_{geo}=|D_k-\hat{D}_k|$($\lambda_1{=}0.8, \lambda_2{=}0.2, w_c{=}0.5, w_d{=}1.0$)である。新しいGaussianは、累積不透明度が$\tau_{o1}=0.98$を下回る場所、あるいは深度が$\epsilon_{\mathrm{MDE}}$(深度誤差の中央値の50倍)を超えて偏差する場所に生成される。

• ワークスペース抽象化: Gaussianマップのトップダウン正射投影レンダリング(大きな焦点距離)によって占有度が得られ、障害物を除いたナビゲート可能な地面領域からワークスペースが得られ、そこからVoronoiグラフ$\mathcal{G}=\{\mathcal{V},\mathcal{E}\}$がテッセレーションされる。辺は障害物から等距離にあるため、そこに沿った経路は本質的に安全である。
• 分離型視点選択: 位置の候補はVoronoiノードのみに限られる。回転は、3台の仮想カメラから可視性の$360\times150$パノラマをレンダリングし、DBSCANで低可視性領域をクラスタリングすることでノードごとに選ばれる(クラスタ中心がヨー/ピッチを与える)。2D不可視ピクセル面積は真の未見体積を過大/過小評価するため、輪郭ピクセルを逆投影し、凸包で欠落した3D体積を近似する。また、不透明度が確信的(τ_{o2}=0.8)でありながら、レンダリングされた深度が観測と不一致($\epsilon_1=0.3$)な高損失サンプル集合も保持される。ノードのスコアは

$$S_i = w_o\, s_o(i) + w_c\, s_c(i) + w_u\, s_u(i) + w_h\, s_h(i)$$

であり、$w_o{=}20$、$w_c{=}w_u{=}w_h{=}10$である。$s_o,s_c$は2D不可視面積および3D凸包の割合、$s_u,s_h$は未訪問/視界内かを示す真偽フラグである。選択されたノードへの最短経路はDijkstraで計画される。

• 階層的計画: Voronoiグラフは、ユークリッド距離+移動距離に対する凝集型クラスタリング(UPGMA)によって動的にサブ領域に分割される。エージェントは局所サブ領域を使い切るまでそこに留まり、その後次に良い大域的サブ領域へ移る。これにより、複数室のシーンにおける貪欲スコアリングの反復的な軌跡を避けられる。
• 後処理: Gaussianは一貫したパラメータ空間を保持しているため、保存されたキーフレームによって、3DGS/2DGSの密度制御と深度/法線正則化を用いたオフライン洗練が可能である。

実験結果

HabitatシミュレータでGibsonとMatterport3D(13の単一フロアのシーン。小規模シーンは1000ステップ、中規模シーンは2000ステップ)、RTX 3090、5回の試行の平均:

• カバレッジ(完全性比率%/完全性誤差cm): Gibson 92.24 / 2.43、MP3D 92.48 / 2.84 — ANM-S(92.10/2.83、89.74/4.14)、NARUTO(79.16/3.52、84.90/5.94)、ANM(80.45/7.44)、UPENおよびフロンティアベースのFBE(68.30/14.42、74.30/9.29)を上回る。
• レンダリング対ANM-S(テストビュー、後処理済み): 例えばGibson-Eudora PSNR 27.82 対 24.55、深度L1 1.63 対 5.34 cm; Gibson-Ribera 30.86 対 26.51、1.85 対 13.90 cm。
• アブレーション: ランダムなノード巡回84.20%(Gibson)→位置のみの貪欲法90.41 → 分離型視点91.76 → 階層的計画を伴うフル構成92.24。可視性のみ、または凸包のみのスコアリングは両方とも組み合わせより性能が劣る。2DGS + 深度損失による後処理は、Gibson-Denmarkでテストビューの深度L1を9.01から7.56 cmへ、PSNRを21.72から27.58へ改善する。深度損失なしでは幾何が劣化する(過学習)。
• 実行時間: ヘッドレスで約8 fps。マッパー45.14 msとワークスペース抽出43.87 msがステップごとの時間を支配し、計画自体はサブミリ秒である。
• 実世界: Azure Kinectを搭載したAgile-X Ranger Miniに実装され、ポーズは並行スレッドで動作するライン(直線特徴)ベースのSLAMシステムから得られる。

SLAMにおける意義

3DGS-SLAMの研究の多く(SplaTAM、MonoGS、Photo-SLAM)はカメラ軌跡を所与として扱うが、ActiveSplatはマッピングと行動の間のループを閉じる。その核心的な洞察はアーキテクチャ的である。1つのスプラッティング演算がマップ更新、視点スコアリング、ワークスペース抽出のすべてに供され、トポロジカルグラフが計画を疎かつ安全に保つ。この分業が、オンラインのアクティブ再構成を実現可能にしている。これは、パッシブなSLAMから、検査、デジタルツイン、シミュレーションデータ取得のための、身体性を持つ探索駆動型再構成への移行を代表する研究である。

関連ノート

• SplaTAM
• MonoGS
• Online 3DGS Modeling
• OpenGS-SLAM