본 논문은 자율 주행 로봇의 복잡한 상호 작용을 위한 필수 요소인 의미론적 3D 장면 재구축에 대해 다룹니다. 기존의 의미론적 SLAM 시스템은 2D 기반의 사전 정보에 의존하여 실제 환경의 희소성과 노이즈에 제한을 받는다는 문제점을 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 외관, 기하학 및 N차원 의미론적 특징을 결합하여 렌더링하는 특징 필드를 활용하는 3D Gaussian Splatting 기반의 새로운 밀집 의미론적 SLAM 시스템인 GSFF-SLAM을 제안합니다. 특징 기울기를 독립적으로 최적화함으로써, 다양한 형태의 2D 사전 정보(특히 희소하고 노이즈가 많은 신호)를 사용한 의미론적 재구축을 지원합니다. 실험 결과, GSFF-SLAM은 추적 정확도와 사실적인 렌더링 품질 측면에서 기존 방법보다 우수한 성능을 보였으며, 2D 기반 사전 정보를 사용할 경우 최첨단 의미론적 분할 성능(95.03% mIoU)을 달성하고, 성능 저하를 최소화하면서 최대 2.9배의 속도 향상을 달성했습니다.
