في عالم التكنولوجيا المتقدمة، تبحث الفرق البحثية عن طرق جديدة لتحسين الأنظمة التقليدية مثل أنظمة التتبع والملاحة المعروفة باسم SLAM (Simultaneous Localization and Mapping). وفي إطار هذا التطور، تم تقديم تقنية RoSe-SLAM، وهي اختصار لـ Robust Semantic-aware Gaussian Splatting SLAM، التي تهدف إلى معالجة التحديات المرتبطة بالبيئات الديناميكية وغير المنظمة.

تعاني معظم الأنظمة التقليدية من تدهور كبير في الدقة نتيجة لافتراضاتها الثابتة. ولتجاوز هذه العقبة، تعتمد تقنية RoSe-SLAM على فهم شامل للمشهد الدلالي من مدخلات مونقالارية غير مستوية، مما يتيح تتبع الكاميرا بدقة وإعادة بناء جيومترية عالية الجودة.

وعلى عكس التقنيات التقليدية التي تستخدم تسميات دلالية مصنوعة يدويًا، يقوم نظام RoSe-SLAM بانتزاع التركيز الدلالي من نموذج أساسي ثنائي الأبعاد لتعزيز أداء التتبع والتخطيط. ولتحقيق ذلك، يتم استغلال الخصائص الدلالية الغنية لتحسين هيكل الجيومترية ودعم عملية تجسيد المشهد بناءً على الخصائص الثنائية الأبعاد.

تم دمج وحدة لتوليد قناع الحركة الزمانية والمكانية، مما يمكّن النظام من تتبع الحركة على المدى الطويل والتقاط الديناميكية العابرة على المدى القصير. وخلال عملية التعديل الشامل، يتم استخدام آلية اختيار إطار مفتاح مدركة للاكتئاب، تتيح للنظام تحديد أهم الإطارات بناءً على حالات الاكتئاب، مما يُحسن جودة الخرائط في البيئات الديناميكية.

تظهر التجارب التي أُجريت على مجموعات بيانات مرجعية مثل TUM الديناميكية وبون وفيديوهات Wild-Mocap، أن نظام RoSe-SLAM يحقق أداءً متفوقًا في كل من تقدير المسارات ورسم الخرائط للمشهد الثابت، متفوقًا على أنظمة SLAM الديناميكية الحالية.