技術要約: MoPe: 動的な環境における堅牢な単眼ガウス写像のための運動永続性 (Motion Permanence)

1. 問題提起

ロボットの自律走行の信頼性は、動的な環境においても安定したシーン表現に依存しています。単眼ガウス・スプラッティング（3DGS）SLAMは高精度なマッピングを提供しますが、現在の不確実性を考慮した手法（例：WildGS-SLAM）は、決定的な「メモリレス（記憶喪失）」の限界を抱えています。これらのシステムは、各フレームにおいて、瞬時的な画像証拠のみに基づいて動的な不確実性を独立して推定します。

このアプローチは、動的な物体（例：歩行者）が一時停止したり、減速したり、あるいは遮蔽後に再出現したりする場合に失敗します。このような瞬間、物体の外観は静止した背景要素と区別がつかなくなります。その結果、システムはこれらの領域に対して不確実性が低いと誤って判断し、動的なコンテンツが静的なマップに「焼き付けられる（baked）」ことを許してしまいます。これは、持続的なゴースト現象（残像）、幾何構造の破損、そしてローカリゼーションやナビゲーションを損なう可能性のある誤った世界モデルを引き起こします。核心となる問題は、表現レベルのミスマッチです。すなわち、「動的であること」が、運動履歴によって定義される時間的特性ではなく、瞬時的な外観特性として扱われている点にあります。

2. 手法: MoPe

著者らは、動的なアイデンティティを、フレームごとにゼロから再決定されるものではなく、持続的な時間的状態として捉え直すメモリ・アウェアな不確実性フィルタ、MoPe（Motion Permanence：運動永続性）を提案します。本手法は、物体の動的なアイデンティティは、たとえ一時的に静止していても、時間の経過とともに持続すべきであるという原理に基づいています。

MoPeは、単眼ガウス・マッピングのバックボーンに、密接に結合された3つのコンポーネントを統合しています。

A. 時間的証拠の蓄積による運動永続性

不確実性を一過性のフレームごとの予測として扱うのではなく、MoPeは時間的に伝播する動的事後分布（$p_t$）を維持します。

1. 計測: 各フレームにおいて、ピクセルごとの不確実性マップは動的証拠スコアに変換されます。これは、オプションとして、おそらく一時的なクラスであることを示すソフトなフロア（下限値）として機能する、セグメンテーションモデルからの弱い意味論的事前知識によって拡張されます。
2. SE(3) 伝播: 視点の変化に伴って動的なアイデンティティを保持するために、過去の事後分布（$p_{t-1}$）は、推定されたカメラの動き（$T_{t-1 \to t}$）と利用可能な深度（$D_t$）を用いて、幾何学的に整合したSE(3)ワープによって現在のフレームへと投影されます。
3. 有界ベイズ融合: ワープされた過去の状態は、有界な対数オッズ更新を用いて、現在のフレームの証拠と融合されます。
   $$L_t = \text{clip}(\tilde{L}_{t-1 \to t} + \gamma \cdot \text{logit}(m_t), -c, c)$$
   $$p_t = \sigma(L_t)$$
   この対数オッズ空間での蓄積により、繰り返し動的に振る舞う領域には、耐久性のある証拠が蓄積されます。極めて重要な点は、クリッピング境界（$c$）によって飽和を防いでいることです。これにより、領域が継続的に静止した場合に「静的」な状態へと回復することが可能になります。

B. 事後分布に基づく最適化とガウス挿入

持続的な事後分布（$p_t$）は、オンライン・パイプライン全体をガイドします。

• トラッキング: 高い事後分布（動的）を持つ領域における残差は重みが軽減され、トラッカーが一時的に静止している妨害要素に対して鈍感になるようにします。
• マッピング: レンダリングの目的関数は、時間的に情報に基づいた不確実性によって変調され、持続的な動的証拠を持つ領域への最適化の重みを減少させます。
• Fail-Closed型の挿入: ピクセルは、その動的スコアが閾値を下回っている場合にのみ、ガウス挿入の対象として受理されます。この「Fail-Closed（失敗時に閉じる）」戦略は、汚染よりも欠落を優先します。つまり、領域が不確実または動的である場合、挿入をスキップすることで、マップへのゴーストの焼き付けを防ぎます。

C. ガウスレベルの事後クリーンアップ

最終的なセーフガードとして、オンラインプロセスを通過したガウスは、複数のキーフレームにわたって評価されます。もしあるガウスが高い割合で動的な観測を示す場合、その不透明度は強制的に削除されるのではなく、段階的に減衰（decay）されます。これにより、不確実だが有効な背景構造を維持しつつ、持続的な残像を抑制します。

3. 主な貢献

1. 表現レベルの限界の特定: 本論文は、単一フレームの不確実性推定におけるメモリレスな性質が、不確実性を考慮した単眼ガウス・マッピングにおける根本的な失敗モードであることを特定し、「動的であること」は持続的な時間的状態として扱われるべきであると主張しています。
2. 運動永続性の導入: 幾何学的に整合したSE(3)伝播と有界ベイズ対数オッズ融合を通じて実現される、新しい原理である「運動永続性」を提案しました。これにより、断続的な動きや繰り返される遮蔽の下でも、時間的に一貫した動的事後分布を維持します。
3. システム統合: この事後分布を、トラッキング、マッピング、動的を考慮したガウス挿入、および事後クリーンアップに統合することで、これらが総体として動的な汚染を抑制し、残留するゴーストを減少させます。

4. 実験結果

MoPeは、Wild-SLAM MoCapベンチマーク、Bonn、およびTUM RGB-Dダイナミックベンチマークで評価されました。

• トラッキングの堅牢性: MoPeはすべてのデータセットにおいて最高のトラッキング精度（ATE RMSE）を達成し、WildGS-SLAMのベースラインに対して大幅な改善を示しました（例：Wild-SLAMで17.4%、Bonnで15.6%の改善）。この向上は、メモリレスな仮定が最も崩れる、物体が断続的に動くシーケンスにおいて最も顕著でした。
• マップの品質とアーティファクトの抑制: MoPeはゴースト現象と残像を大幅に減少させました。iphone_wandering シーケンスにおいて、特に残像が蓄積しやすい「テール（終盤）」セクションにおいて、最もクリーンな背景再構成を実現しました。定性的な結果は、浮遊する残骸を残すことなく、動的な歩行者を効果的に除去できることを示しています。
• 効率性: 追加された時間的ロジックにもかかわらず、MoPeは計算効率に優れています。時間的事後分布によるトラッキングへの追加コストはわずか約0.3msです。驚くべきことに、総実行時間はベースラインよりも低く（65.3ms vs 69.7ms）、メモリ使用量も削減されています（5.3GB vs 5.8GB）。これは、「Fail-Closed」型の挿入ゲーティングによって、動的なコンテンツの挿入を拒否し、より軽量なガウスマップを維持しているためです。
• アブレーション研究: フルパイプライン（時間的融合 + 意味論的事前知識 + 挿入ゲーティング + 不透明度減衰）が最良の結果をもたらしました。各コンポーネントは相補的であることが判明し、特にストップ・アンド・ゴーの動きを伴う人間がいるシーケンスの終盤において、最も強力な改善が見られました。

5. 意義と主張

本論文は、MoPeが不確実性ベースのシステムに共通する特定の失敗モード、すなわち「一時的に静止している、あるいは断続的に動いている妨害要素による静的マップの汚染」に対処することを主張しています。

• 標的を絞った改善: 著者らは、MoPeがすべてのシーンに対する汎用的な改善ではないことも謙虚に述べています。連続的な動き（例：歩行ロボット）や静止した障害物が多いシーケンスでは、保守的な挿入戦略によって、微細な詳細の再構成がわずかに低下（PSNR/SSSSIMの低下）する可能性があります。しかし、MoPeは「メモリレス」の仮定が破綻する場面、すなわちストップ・アンド・ゴーの動きを伴う動的な人間が存在するシーンにおいて、明確な利点を提供します。
• 表現中心の自律走行: MoPeの意義は、「動的であること」を瞬時的な外観の手がかりとしてではなく、時間的特性として扱うという転換にあります。シーン表現の中に時間的な動的状態を維持することで、MoPeは、ローカリゼーションやナビゲーションに使用される静的な世界モデルが動的な妨害要素によって汚染されないことを保証し、変化する現実世界の環境における、より信頼性の高い表現中心の自律走行への実用的な一歩を提示しています。