1. 문제 제기 (Problem)

기존의 수중 로봇 공학 및 해양 고고학 분야에서는 자율 수중 차량 (AUV) 등을 위한 고충실도 (High-fidelity) 의 실시간 밀집 매핑이 필수적입니다. 그러나 기존 수중 SLAM 기술은 다음과 같은 한계를 가지고 있습니다:

• 센서 의존성: 기존 밀집 매핑 시스템은 소나 (Sonar) 나 구조광, 레이저 등 다중 센서 융합에 의존하여 비용이 높고, 공간 해상도가 낮거나 광학적 정보가 부족합니다.
• 시각적 열화: 수중 환경은 빛의 감쇠 (Attenuation) 와 산란 (Scattering) 으로 인해 탁도, 저조도, 낮은 질감 등의 문제를 겪습니다.
• 기존 3DGS/NeRF SLAM 의 부적합성: 최근 3D 가우시안 스플래팅 (3DGS) 기반 SLAM 은 지상 환경에서 성공적이었으나, 수중 환경에서는 물이라는 '산란 매질 (Scattering Medium)'을 고려하지 않아 기하학적 가우시안 원시 (Primitive) 로 물의 부피를 잘못 표현하거나, 추적 불안정성을 초래합니다. 또한, 기존 방법들은 수중 특유의 광학적 왜곡을 모델링하지 못해 사실적인 렌더링이 어렵습니다.

2. 제안 방법 (Methodology)

저자들은 WaterSplat-SLAM을 제안하며, 이는 단안 (Monocular) RGB 입력만으로 강건한 포즈 추정과 사실적인 밀집 매핑을 가능하게 합니다. 시스템의 핵심 구성 요소는 다음과 같습니다:

가. 시맨틱 매질 필터링 기반 추적 (Semantic-guided Tracking)

• 문제 해결: 물의 산란과 감쇠가 카메라 추적 (Pose Estimation) 에 악영향을 미칩니다.
• 해결책: CLIPSeg 와 같은 텍스트 기반 분할 모델을 사용하여 이미지에서 '물 (Water)' 영역의 시맨틱 마스크를 생성합니다.
• 작동 원리: 2-view 3D 재구성 (MASt3R 기반) 시, 물 영역의 픽셀에 대한 신뢰도 (Confidence) 를 0 으로 설정하여 물의 영향을 제거하고, 오직 물체 (Object) 영역만을 기반으로 다중 뷰 일관성 있는 깊이 지도와 카메라 포즈를 추정합니다. 이는 가우시안 맵의 고품질 초기화를 제공합니다.

나. 온라인 매질 인식 가우시안 매핑 (Online Medium-aware Gaussian Mapping)

• 수중 광학 모델링: 3DGS 렌더링 파이프라인에 **Medium Network(MLP)**를 통합하여 각 광선 (Ray) 방향에 따라 세 가지 매질 속성을 예측합니다:
  1. $\sigma_{attn}$: 감쇠 밀도 (Attenuation density)
  2. $\sigma_{bs}$: 후방 산란 밀도 (Backscatter density)
  3. $c_{med}$: 매질 색상 (Medium color)
• 렌더링 분리: 렌더링 과정에서 물체 (Object) 의 색상과 매질 (Medium) 의 색상을 명시적으로 분리하여 합성합니다. 이를 통해 가우시안 원시들이 물의 부피를 잘못 표현하는 것을 방지합니다.

다. 시맨틱 유도 손실 함수 (Semantic-guided Loss)

• 손실 함수 설계: 렌더링된 이미지와 원본 이미지 간의 광학적 손실을 최소화하되, 시맨틱 마스크를 활용하여 **물 영역은 매질 손실 ($L_{med}$)**로, **물체 영역은 일반 손실 ($L_c$)**로 구분하여 학습합니다.
• 기하학적 손실: 수중 환경에서 발생할 수 있는 가늘고 긴 가우시안 원시 (Slender primitives) 를 억제하기 위해 등방성 (Isotropic) 손실을 적용하여 기하학적 일관성을 유지합니다.

라. 적응형 가우시안 맵 관리 (Adaptive Map Management)

• 루프 클로저 처리: 루프 클로저 (Loop Closure) 가 감지되면, 기존 가우시안 원시들의 포즈를 업데이트하고, 공간적으로 겹치는 원시들을 볼륨 (Voxel) 기반 다운샘플링을 통해 병합 (Merging) 합니다.
• 효율성: 이 과정은 맵의 중복성을 줄이고 저장 공간을 절약하면서도 전역 일관성 (Global Consistency) 을 유지합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 수중 SLAM 시스템: 단안 RGB 입력만으로 강건한 포즈 추정과 사실적인 밀집 매핑이 가능한 WaterSplat-SLAM을 최초로 제안했습니다.
2. 시맨틱 유도 렌더링 및 매질 인식 맵: 가우시안 원시로 물의 부피를 잘못 표현하는 것을 방지하기 위해, 시맨틱 마스크를 활용한 렌더링 전략과 온라인 매질 인식 가우시안 맵을 도입했습니다.
3. 적응형 관리 전략: 루프 클로저 시 가우시안 원시를 병합하는 전략을 통해 렌더링 품질을 유지하면서 맵의 크기를 크게 축소하여 수중 로봇 임무에 적합한 경량화를 달성했습니다.

4. 실험 결과 (Results)

저자들은 SeaThru-NeRF (공개 데이터셋) 와 직접 수집한 WaterSplat-SLAM (수조 환경) 데이터셋을 통해 다양한 방법론 (MonoGS, GLORIE-SLAM, S3PO-GS 등) 과 비교 평가했습니다.

• 렌더링 품질 (Rendering Quality):
  • SeaThru-NeRF: 모든 시퀀스 (Curacao, RedSea 등) 에서 PSNR, SSIM, LPIPS 지표에서 기존 NeRF 및 3DGS 기반 SLAM 보다 압도적으로 우수한 성능을 보였습니다. (예: Curacao 시퀀스에서 PSNR 28.91 vs 기존 최고 21.79)
  • WaterSplat-SLAM 데이터셋: 대규모 수중 환경에서도 가장 높은 평균 PSNR(30.19) 을 기록하며, 오프라인 방법인 WaterSplatting 보다도 더 높은 성능을 달성했습니다.
• 추적 정확도 (Tracking Accuracy):
  • 탁도가 높은 환경에서 ORB-SLAM3 나 MonoGS 등이 추적에 실패하거나 큰 오차를 보인 반면, WaterSplat-SLAM 은 모든 시퀀스에서 실패 없이 (No failure) 강건한 추적을 수행했습니다. 평균 ATE(Absolute Trajectory Error) 가 0.219m 로 가장 낮았습니다.
• 효율성:
  • 가우시안 원시 병합 전략을 통해 메모리 사용량을 약 24.3% 감소시켰으며, 프레임당 처리 시간은 0.20.5 초 (약 25 FPS) 로 실시간성에 근접하는 성능을 보였습니다.

5. 의의 및 결론 (Significance)

WaterSplat-SLAM 은 수중 환경의 고유한 광학적 특성 (산란, 감쇠) 을 명시적으로 모델링하여, 3D 가우시안 스플래팅을 수중 로봇 공학에 성공적으로 적용한 획기적인 연구입니다.

• 실용성: 고가의 다중 센서 없이 단안 카메라만으로 고품질의 3D 지도를 생성할 수 있어 비용 효율적입니다.
• 신뢰성: 물의 영향을 제거한 추적과 매질 모델링을 통해 탁한 수중 환경에서도 안정적인 자율 항법과 매핑이 가능합니다.
• 미래 전망: 해양 탐사, 파이프라인 점검, 수중 고고학 등 다양한 수중 로봇 응용 분야에서 공간 지능 시스템의 새로운 표준을 제시합니다.

이 논문은 수중 환경에서의 시각 기반 SLAM 기술의 한계를 극복하고, 사실적이고 효율적인 3D 매핑을 가능하게 하는 중요한 이정표가 됩니다.