WaterSplat-SLAM: Photorealistic Monocular SLAM in Underwater Environment

1. El Problema

La localización y mapeo simultáneos (SLAM) monocular en entornos submarinos es un desafío crítico para aplicaciones como la inspección de tuberías, la exploración de aguas profundas y la arqueología marina. Los métodos existentes enfrentan dificultades significativas:

• Degradación óptica: Los entornos submarinos sufren de atenuación de la luz y dispersión (scattering), lo que causa pérdida de contraste, dominantes de color y borrosidad.
• Limitaciones de los métodos actuales:
  • Los métodos basados en características (features) fallan en condiciones de baja iluminación, turbidez y texturas pobres.
  • Los métodos densos tradicionales (basados en sonar o luz estructurada) carecen de información fotométrica de alta fidelidad o son costosos.
  • Las técnicas recientes que integran 3D Gaussian Splatting (3DGS) en SLAM (como MonoGS) no modelan el medio acuático. Intentan representar el agua como objetos geométricos sólidos, lo que lleva a mapas inexactos, inestabilidad en el seguimiento y una representación incorrecta del volumen del medio.

2. Metodología Propuesta

WaterSplat-SLAM es un sistema SLAM monocular en línea que utiliza entradas RGB para lograr estimación de pose robusta y mapeo denso fotorealista. Su arquitectura se basa en tres pilares principales:

A. Seguimiento de Cámara y Estimación de Puntos Guiado por Semántica

• Filtrado de Medio Semántico: Utiliza un modelo de segmentación (CLIPSeg) para generar máscaras binarias que identifican las regiones de "agua" en las imágenes.
• Reconstrucción 3D de Dos Vistas: Se emplea MASt3R para la estimación de mapas de puntos y poses. Sin embargo, antes de la reconstrucción, se anulan las confianzas de los píxeles correspondientes al agua en las máscaras. Esto evita que la dispersión del agua degrade la estimación de la pose de la cámara y la estructura geométrica de los objetos.
• Resultado: Proporciona una inicialización de alta calidad para el mapa Gaussiano, libre de artefactos causados por el medio.

B. Mapeo Gaussiano Consciente del Medio (Medium-Aware Gaussian Map)

• Red de Medio (Medium Network): En lugar de tratar el agua como un objeto, el sistema introduce una red neuronal (MLP) que predice tres atributos del medio para cada rayo de visión:
  1. Densidad de atenuación ($\sigma_{attn}$).
  2. Densidad de retrodispersión ($\sigma_{bs}$).
  3. Color del medio ($c_{med}$).
• Renderizado Semánticamente Guiado: La función de renderizado separa explícitamente la contribución de los objetos geométricos y la del medio dispersante. Se utiliza una pérdida fotométrica semántica que penaliza el error en las regiones de agua solo contra la predicción del medio, evitando que los primitivos Gaussianos intenten "aprender" el color del agua como si fuera un objeto sólido.
• Pérdida Geométrica: Se aplica una pérdida isotrópica selectiva para evitar la distorsión de escala en los primitivos que contribuyen al renderizado.

C. Gestión Adaptativa del Mapa Gaussiano

• Ajuste y Fusión: Para mantener la consistencia global durante el cierre de bucle (loop closure) y la optimización de haz (BA), el sistema ajusta los primitivos asociados a las poses actualizadas.
• Reducción de Redundancia: Cuando se detecta un cierre de bucle, los primitivos superpuestos entre el marco actual y el marco de cierre se fusionan mediante un proceso de voxelización. Los primitivos dentro de un mismo vóxel se combinan en uno solo, reduciendo significativamente el tamaño del mapa y la redundancia sin sacrificar la calidad de renderizado.

3. Contribuciones Clave

1. Sistema SLAM Monocular Fotorealista: Primer sistema que logra un mapeo denso y una estimación de pose robusta en entornos submarinos utilizando únicamente entrada RGB, superando las limitaciones de la falta de características visuales.
2. Mapa Gaussiano Consciente del Medio: Introduce un modelo que separa la representación de objetos geométricos del medio dispersante (agua), evitando la representación errónea del volumen del agua mediante primitivos geométricos.
3. Estrategia de Gestión Adaptativa: Diseña un mecanismo de fusión de primitivos basado en vóxeles que reduce el tamaño del mapa (ahorro de memoria) manteniendo la consistencia global y la calidad de renderizado.

4. Resultados Experimentales

El sistema fue evaluado en dos conjuntos de datos: SeaThru-NeRF (datos públicos de cuatro regiones) y un conjunto de datos propio (WaterSplat-SLAM) capturado en una piscina controlada con condiciones variables de visibilidad.

• Calidad de Renderizado (NVS):
  • Superó consistentemente a métodos basados en NeRF (GO-SLAM, GLORIE-SLAM) y otros métodos basados en 3DGS (MonoGS, HI-SLAM2, S3PO-GS).
  • En el conjunto SeaThru-NeRF, logró un PSNR promedio de 24.14 (vs. 19.06 del siguiente mejor, S3PO-GS) y un LPIPS de 0.335 (menor es mejor), demostrando una reconstrucción de alta fidelidad tanto de objetos como del fondo.
  • Superó incluso al método offline WaterSplatting en rendimiento, a pesar de operar en tiempo real.
• Precisión de Seguimiento (ATE):
  • Logró un Error de Trayectoria Absoluta (ATE) promedio de 0.219 m en el conjunto de datos propio, superando a todos los competidores.
  • Otros métodos fallaron en secuencias con alta turbidez o bucles grandes (ej. ORB-SLAM3 y MonoGS fallaron en múltiples secuencias).
• Eficiencia:
  • El sistema opera a 2-5 FPS en hardware de escritorio (RTX 4090), comparable a HI-SLAM2 pero con una desviación mucho menor.
  • La estrategia de fusión de primitivos redujo el tamaño del mapa en un 24.3% sin degradar significativamente la calidad visual.

5. Significado e Impacto

WaterSplat-SLAM representa un avance fundamental en la robótica marina y la inteligencia espacial acuática. Al abordar explícitamente la física de la luz en el agua (atenuación y dispersión) dentro del marco de 3DGS, el sistema permite:

• Navegación y Exploración: Robots autónomos pueden operar en aguas turbias con mapas 3D precisos y fotorealistas.
• Interacción: La separación correcta entre objetos y medio facilita tareas de manipulación (grasping) y planificación, ya que el robot no confunde el agua con obstáculos sólidos.
• Eficiencia: La capacidad de generar mapas compactos y de alta fidelidad en tiempo real hace viable su despliegue en sistemas embebidos para misiones submarinas de larga duración.

En resumen, el trabajo establece un nuevo estándar para el SLAM submarino, demostrando que la integración de información semántica y modelado físico del medio es esencial para superar los desafíos únicos de la visión bajo el agua.