MAD-BA: 3D LiDAR Bundle Adjustment -- from Uncertainty Modelling to Structure Optimization

ملخص تقني: MAD-BA: الضبط الحزمي لبيانات ليدار ثلاثية الأبعاد – من نمذجة عدم اليقين إلى تحسين الهيكل

بيان المشكلة
تعد النمذجة ثلاثية الأبعاد الدقيقة والمتسقة عالمياً أمراً بالغ الأهمية للملاحة الذاتية، والروبوتات، وفحص البنية التحتية. وبينما تلتقط مستشعرات الليدار (LiDAR) الحديثة ملايين النقاط في الثانية، يظل تحقيق الاتساق العالمي تحدياً بسبب توزيع البيانات المتناثر وغير المنتظم والافتقار إلى الإشارات المرئية. تعتمد تقنيات تحديد الموقع ورسم الخرط (SLAM) التقليدية المعتمدة على الليدار غالباً على "تحسين مخطط الوضع" (Pose-Graph Optimization - PGO)، والذي يعمل على تحسين المسارات مع إبقاء هيكل الخريطة ثابتاً. يؤدي هذا الفصل بين العمليتين إلى عدم تصحيح الضوضاء وعدم الاتساق في السحب النقطية. علاوة على ذلك، فإن طرق التحسين العالمي الموجودة لليدار إما تعامل تحسين الوضع والهيكل بشكل منفصل (مما يؤدي إلى عدم الاتساق) أو تعتمد على تقنيات التسجيل المحلي (مثل ICP) التي لا تقوم بتحسين الهيكل العالمي بشكل مشترك. بالإضافة إلى ذلك، فإن قياسات الليدار بطبيعتها مشوبة بالضوضاء بسبب الظروف البيئية وفيزياء المستشعر، ومع ذلك تفتقر العديد من الأنظمة إلى نموذج عام لعدم اليقين لوزن القياسات بفعالية أثناء عملية التحسين.

المنهجية
يقدم البحث إطار عمل MAD-BA، وهو إطار عمل موحد للضبط الحزمي (Bundle Adjustment - BA) مصمم لتحسين وضعيات المستشعر وهيكل الخريطة ثلاثية الأبعاد بشكل متزامن. تعتمد المنهجية على أربعة مكونات أساسية:

1. تمثيل القشور السطحية (Surfel-Based Representation): يتم تمثيل الخريطة ثلاثية الأبعاد باستخدام "القشور السطحية" (surfels) (وهي أقراص موجهة)، وتُعرف بنقطة مركز، ومتجه عمودي، ونصف قطر. تم اختيار هذا التمثيل لكفاءته في الدمج والتحديث، وقدرته على التقاط الأسطح الرقيقة بشكل أفضل من النهج القائم على الفوكسل (voxel)، وتجنبه للتحديثات الطوبولوجية المكلفة حسابياً المطلوبة في الطرق القائمة على الشبكات (mesh).
2. ربط البيانات بكفاءة: لمطابقة قياسات الليدار مع القشور السطحية، يستخدم النظام أشجار (kd-trees) مبنية عبر تحليل المكونات الرئيسية (PCA). يقوم هذا الهيكل بترميز تقسيم المستويات ويسمح باستعلامات الجوار الأقرب بكفاءة. يتم إجراء ربط البيانات عن طريق مطابقة أوراق الشجرة مقابل القشور السطحية الموجودة بناءً على المسافة الإقليدية، والمسافة العمودية، وعتبات الزوايا.
3. نموذج عدم اليقين العام لليدار: لمعالجة ضوضاء القياس، يقترح المؤلفون نموذج عدم يقين قائم على العينات. بدلاً من الاعتماد على بيانات الموجة المملوكة للشركات (والتي غالباً ما تكون غير متوفرة)، يقوم النظام بمحاكاة شعاع الليدار كـ "مخروط" بناءً على تباعد الشعاع. ومن خلال إطلاق عدة أشعة فرعية داخل هذا المخروط باتجاه متوسط الورقة، يقوم النظام بأخذ مجموعة من النطاقات (ranges). ويتم حساب الانحراف المعياري لهذه النطاقات المأخوذة لتقدير عدم يقين القياس ($\sigma$). يُستخدم هذا الـ ($\sigma$) لوزن البواقي (residuals) في دالة التكلفة، مما يعطي الأولوية للقياسات الموثوقة.
4. التحسين المشترك: يقوم النظام بتقليل دالة التكلفة باستخدام خوارزمية "ليفنبرغ-ماركوردت" (Levenberg-Marquardt - LM). تجمع دالة التكلفة بين مسافات "النقطة إلى المستوى" الموزونة بدالة خسارة "هوبر" (Huber) القوية وتقدير عدم اليقين. ومن الأهمية بمكان أن عملية التحسين تقوم بتحديث كل من وضعيات المستشعر (المعرفة في جبر لي $se(3)$) ومواقع القشور السطحية بشكل مشترك. تُقيد القشور السطحية بحيث تتحرك فقط على طول اتجاهها العمودي للحفاظ على الهندسة المحلية وتقليل درجات الحرية، بينما يتم تحديث الوضعيات في جميع درجات الحرية الست.

المساهمات الرئيسية
يحدد البحث ثلاث مساهمات رئيسية:

1. إطار عمل ضبط حزمي (Bundle Adjustment) قابل للتوسع وقوي، مصمم خصيصاً لبيانات الليدار، يدمج تحسين الوضع وتحسين الهيكل.
2. نموذج عام لعدم اليقين في الليدار يقدر موثوقية القياس بناءً على تباعد الشعاع والمدى، مما يسمح بتحسين موزون بالثقة دون الحاجة إلى بيانات الموجة الخام.
3. تنفيذ مفتوح المصدر للنظام لدعم قابلية التكرار ومزيد من الأبحاث.

النتائج التجريبية
تم تقييم النظام على ثلاثة مجموعات بيانات عامة: Newer College Dataset (NC)، وA Vision Benchmark in Rome (VBR)، وKITTI. قارنت التقييمات طريقة MAD-BA مع أحدث الأساليب، وتحديداً BALM2 (طريقة تحسين عالمي تعمل على الوضعيات فقط) وHBA (طريقة ضبط حزمي هرمي).

• دقة المسار: أظهرت النتائج الكمية باستخدام خطأ المسار المطلق (ATE) أن MAD-BA يتفوق باستمرار على BALM2 وHBA في معظم المتواليات. على سبيل المثال، في تسلسل NC "math-easy"، حققت MAD-BA مع نموذج عدم اليقين خطأ جذر متوسط التربيع (RMS) قدره 0.043 م، مقارنة بـ 0.087 م للمسار الأولي و0.135 م لـ HBA.
• جودة الخريطة: أظهر التقييم على مجموعة بيانات NC (التي توفر خرائط مرجعية عالية الدقة) أن MAD-BA يحسن بشكل كبير دقة الخريطة، واكتمالها، ودرجة F-score مقارنة بالخرائط الأولية والطرق الأخرى. أظهرت الخرائط القائمة على القشور السطحية انخفاضاً في التباينات الهندسية وتوافقاً أفضل مع الحقيقة الأرضية.
• المتانة والتحليل الاستئصالي (Ablation):
  • نمذجة عدم اليقين: أدى دمج نموذج عدم اليقين إلى تقليل عدد التكرارات المطلوبة للتقارب وتحسين الدقة النهائية مقارنة بالنسخة التي يتم فيها وزن جميع القياسات بالتساوي.
  • التهيئة الأولية: أظهر النظام قدرة قوية على تحمل أخطاء المسار الأولية، حيث تقارب بشكل موثوق مع ضوضاء غاوسية تصل إلى 1 م في الإزاحة و0.2 راديان في الدوران.
  • كثافة المستشعر: عند تقليل العينات لمحاكاة مستشعر VLP-16، حافظ النظام على فعاليته في معظم السيناريوهات، رغم تراجع الأداء في حالات الحركة الرأسية (مثل السلالم) بسبب عدم كفاية المجال الرأسي للرؤية.
  • التصفية الديناميكية: أشارت النتائج النوعية إلى أن تمثيل القشور السطحية يقوم ضمنياً بتصفية الأجسام الديناميكية (مثل السيارات المتحركة، والمشاة)، مما ينتج خرائط ثابتة أكثر نظافة.

الأهمية والادعاءات
يزعم البحث أن MAD-BA يعالج الفجوة بين تحسين الوضع فقط وتحسين الهيكل المنفصل من خلال توفير إطار عمل موحد يحقق خرائط متسقة عالمياً وقوية. ومن خلال التحسين المشترك للوضع والقشور السطحية ودمج نموذج عدم يقين مستوحى من الفيزياء، يخفف النظام من الضوضاء والندرة المتأصلة في بيانات الليدار. ويذكر المؤلفون أن نهجهم يتفوق على الأساليب الحالية المعتمدة على الليدار من حيث المتانة والدقة، مما ينتج خرائط ثلاثية الأبعاد نظيفة وعالية الدقة مع التعويض عن الآثار الديناميكية وانحراف الليدار. يُقدم العمل كخطوة نحو حالة تقدير أكثر موثوقية في الروبوتات، حيث تهدف الطبيعة مفتوحة المصدر للكود إلى تسهيل اعتماد المجتمع التقني وتطويره.