3D Object Detection for Autonomous Driving: A Survey

ملخص تقني: الكشف عن الأجسام ثلاثية الأبعاد للقيادة الذاتية: مسح شامل

بيان المشكلة
تعتمد القيادة الذاتية بشكل كبير على حزم الإدراك لتمكين تخطيط المسار، والتنبؤ بالحركة، وتجنب الاصطدام. ويعد الكشف عن الأجسام ثلاثية الأبعاد المكون الجوهري لهذه الحزمة، حيث تكمن مهمته في التعرف على الأجسام، وتعيين التصنيفات، وتقدير صناديق الإحاطة ثلاثية الأبعاد الخاصة بها (الموقع، والحجم، والاتجاه) بالنسبة للمركبة ذاتها. يواجه هذا المجال ثلاثة تحديات رئيسية نابعة من طبيعة بيانات المدخلات:

1. استعادة المظهر البصري (القائم على الصور): إن استعادة العمق من الصور أحادية أو ستيريو هي مشكلة عكسية غير محددة جيداً. إذ يؤدي نقص معلومات العمق المتأصلة إلى غموض في تقدير الوضعية ثلاثية الأبعاد، كما أن الكاميرات السلبية عرضة لظروف الإضاءة والطقس السيئة.
2. تعلم التمثيل (القائم على السحابة النقطية): تتميز السحب النقطية بكونها متفرقة، وغير منتظمة، وغير مرتبة. لذا فإن التطبيق المباشر للمشغلات الالتفافية يكون غير فعال ويشوه معلومات الشكل. علاوة على ذلك، غالباً ما تكون السحب النقطية "ثنائية ونصف الأبعاد" (2.5D) بسبب فقدان النقاط، والانسدادات الخارجية، والانسدادات الذاتية.
3. المحاذاة الدلالية (دمج الوسائط المتعددة): يعد دمج البيانات غير المتجانسة (صور الكاميرا وسحب نقاط ليدار) أمراً صعباً بسبب عدم المحاذاة بين رؤى الكاميرا والرؤى ثلاثية الأبعاد الحقيقية، مما يؤدي إلى "تلاشي الميزات" عند محاولة إيجاد الارتباطات نقطة بنقطة.

المنهجية والتصنيف
يقترح البحث تصنيفاً مهيكلاً بناءً على وسيط المدخلات الذي يتم تغذية الكاشف به، حيث يصنف الأدبيات الحالية إلى ثلاثة فروع رئيسية:

1. الطرق القائمة على الصور: تعالج هذه الطرق نقص العمق من خلال:

   • رفع النتائج (Result-lifting): تفكيك المهمة إلى كشف ثنائي الأبعاد وتقدير العمق، ثم رفع النتائج ثنائية الأبعاد إلى الفضاء ثلاثي الأبعاد باستخدام القيود الهندسية (مثل خصائص الإسقاط المنظوري) أو مطابقة القوالب. وغالباً ما تعتمد هذه الطرق بشكل كبير على الخبرة والمبادئ التوجيهية السابقة.
   • رفع الميزات (Feature-lifting): رفع ميزات الصورة ثنائية الأبعاد مباشرة إلى الفضاء ثلاثي الأبعاد، إما عن طريق حساب سحابة نقاط "Pseudo-LiDAR" وسيطة أو تعلم توزيع عمق كامن. وتفضل الاتجاهات الحديثة خطوط المعالجة القابلة للتدريب من الطرف إلى الطرف للتخفيف من أخطاء تقدير العمق.

2. الطرق القائمة على السحابة النقطية: تعالج هذه الطرق البيانات المتفرقة وغير المنتظمة من خلال ثلاث استراتيجيات:

   • القائمة على الفوكسل (Voxel-based): تحويل السحب النقطية إلى شبكات فوكسل ثلاثية الأبعاد منتظمة لتطبيق الالتفافات ثلاثية الأبعاد. ولمعالجة التعقيد التكعيبي للشبكات الكثيفة، تستخدم الطرق الحديثة التلافيف المتفرقة (مثل SECOND وVoxelNet) أو تجميع الفوكسل في أعمدة (PointPillars) لمعالجة منظور عين الطائر (BEV).
   • القائمة على النقاط (Point-based): استخدام مشغلات مستقلة عن الترتيب (مثل PointNet وGraph Neural Networks) لمعالجة مجموعات النقاط الخام مباشرة، مما يحافظ على التفاصيل الهندسية الدقيقة ولكن بتكلفة حوسبية أعلى غالباً.
   • الهجينة بين النقاط والفوكسل (Point-Voxel based): نهج هجين (مثل PV-RCNN) يجمع بين الكفاءة الحوسبية للفوكسل والدقة الهندسية لتعلم النقاط.

3. الطرق القائمة على دمج الوسائط المتعددة: تدمج هذه الطرق بيانات الكاميرا والليدار. ويميز البحث بين:

   • الدمج المتسلسل (Sequential Fusion): مسار ثلاثي الأبعاد مدفوع بالبيانات ثنائية الأبعاد حيث توجه المقترحات ثنائية الأبعاد مساحات البحث ثلاثية الأبعاد (مثل Frustum PointNets). ويشير المؤلفون إلى أن هذا يحمل خطر فشل متتالي إذا فشل الكاشف ثنائي الأبعاد.
   • الدمج المتوازي (Parallel Fusion): فروع مستقلة لكل وسيط يتم دمجها في مراحل مختلفة:
     • الدمج المبكر (Early Fusion): دمج البيانات الخام أو الميزات منخفضة المستوى (مثل PointPainting).
     • الدمج العميق (Deep Fusion): دمج تمثيلات الميزات المتوسطة (مثل MV3D وAVOD).
     • الدمج المتأخر (Late Fusion): دمج مخرجات الكشف النهائية (مثل CLOCs).

المساهمات الرئيسية

• تصنيف شامل: وضع المؤلفون تصنيفاً دقيقاً يتجاوز بنية الشبكة ليركز على وسائط المدخلات واستراتيجيات الدمج. وقد قدموا نماذج جديدة مثل "الدمج المتسلسل مقابل المتوازي" والتقسيمات الفرعية للطرق القائمة على الصور ("رفع النتائج" مقابل "رفع الميزات") والطرق القائمة على النقاط ("النقطة-الفوكسل").
• مراجعة أحدث ما توصل إليه العلم (SOTA): يغطي المسح التطورات الأخيرة حتى عام 2022، بما في ذلك مجموعات البيانات مثل nuScenes وWaymo Open، والخوارزميات مثل BtcDet وCT3D، والتي لم تغطها المسوحات السابقة.
• دراسة حالة كمية: أجرى المؤلفون مقارنة صارمة وموحدة لـ 15 نموذجاً ممثلاً على مجموعة بيانات KITTI. وبخلاف الأعمال السابقة التي تكتفي بذكر الأرقام المنشورة، فقد أعادوا تقييم هذه النماذح تحت إعدادات عتادية موحدة (GTX 1080Ti) وأحجام دفعات موحدة لضمان مقارنة عادلة لوقت التشغيل والدقة.
• تحليل الخطأ والمتانة:
  • تحليل الخطأ: من خلال استبدال المعلمات المتوقعة بالقيم الحقيقية، حددت الدراسة أن خطأ الموقع ثلاثي الأبعاد هو العائق الرئيسي الذي يحد من أداء الكشف، يليه خطأ العمق وحجم الجسم.
  • تحليل المتانة: يقيم البحث قدرة النماذج على الصمود تجاه تشتت الليدار (تقليل الأشعة من 64 إلى 32، 16، و8). ووجدوا أنه بينما تحافظ بعض النماذج على الدقة عند 32 شعاعاً، إلا أن الأداء ينخفض بشكل كبير عند 16 شعاعاً، مما يسلط الضوء على حساسية الطرق الحالية لكثافة المستشعرات.

النتائج

• اتجاهات الأداء: تهيمن الطرق القائمة على السحابة النقطية حالياً على الاختبارات المرجعية (KITTI، nuScenes، Waymo) بسبب وصولها المباشر للعمق ودقتها العالية. ولا تزال الطرق القائمة على الصور، رغم تحسنها، تتخلف عن الركب بسبب غموض العمق. أما طرق دمج الوسائط المتعددة فهي تسد الفجوة ولكنها تواجه تحديات في المحاذاة الدلالية.
• وقت التشغيل مقابل الدقة: توفر الطرق القائمة على الفوكسل عموماً أفضل مقايضة للتطبيقات في الوقت الفعلي (مثل PointPillars وSECOND)، بينما غالباً ما تتسبب الطرق القائمة على النقاط في زمن انتقال (Latency) أعلى.
• تنوع مجموعات البيانات: يسلط المسح الضوء على أن مجموعات البيانات الأحدث (nuScences، Waymo) توفر تنوعاً أكبر في ظروف الطقس والإضاءة مقارنة بمجموعة بيانات KITTI الرائدة، وهو أمر بالغ الأهمية لتقييم المتانة.

الأهمية والتوجهات المستقبلية
يزعم البحث أن أهميته تكمن في سد الفجوة عبر تقديم مسح مهيكل ومحدث يعالج سياق التطبيق المحدد للقيادة الذاتية، ويهدف لتوفيد "تصنيف ناضج" لمساعدة الباحثين في التنقل في هذا المجال.

حدد المؤلفون عدة اتجاهات واعدة للعمل المستقبلي:

• عدم اليقين والسلامة: يعد التفكير في ظل عدم اليقين أمراً حاسماً للسلامة، خاصة في الطقس السيئ، ومع ذلك لا يزال غير مستكشف إلى حد كبير.
• المتانة ضد الهجمات العدائية: تشكل قابلية الكواشف القائمة على التعلم العميق للاضطرابات غير المحسوسة خطراً أمنياً يتطلب الاهتمام.
  %* تعلم التمثيل: هناك حاجة لمزيد من الاستقصاء لتحديد ما إذا كانت فجوة الأداء بين الصور والليدار تنبع من تمثيل البيانات أو من اختلافات تقدير العمق.
• تعلم الشكل: يعد تطوير طرق لتعلم الأشكال من السحب النقطية المتفرقة والمحجوبة جزئياً (2.5D) أمراً ضرورياً للكشف القوي.

يخلص البحث إلى أنه على الرغم من أن الكشف عن الأجسام ثلاثية الأبعاد لا يزال في بداياته، إلا أن التقارب بين التلافيف المتفرقة، والبنيات الهجينة، ودمج الوسائط المتعددة، يوفر مساراً واضحاً نحو أنظمة قيادة ذاتية أكثر أماناً وموثوقية.