LiDAR-based 3D Change Detection at City Scale

تخيل أنك تحاول الحفاظ على خريطة ثلاثية الأبعاد لمدينة ضخمة محدثة بدقة تامة. المدن كائنات حية؛ فهي تنمو، وتتقلص، وتغير شكلها كل يوم. تُبنى مبانٍ جديدة، وتُهدم أخرى، وتُقلم الأشجار، وتُعاد صيانة الطرق. وللحفاظ على "توأم رقمي" للمدينة يكون دقيقاً من أجل السيارات ذاتية القيادة أو مخططي المدن، تحتاج إلى رصد هذه التغييرات فوراً وبشكل صحيح. تقليدياً، حاول العلماء القيام بذلك عبر أخذ "لقطتين" للمدينة في وقتين مختلفين والمقارنة بينهما بكسل بكسل أو نقطة بنقطة. ومع ذلك، فإن هذا يشبه محاولة مقارنة صورتين لغرفة فوضوية تم التقاطهما من زاويتين مختلفتين قليلاً؛ فإذا انحرفت الكاميرا ولو بجزء ضئيل، أو سقط الظل بشكل مختلف، فسيصاب الكمبيوتر بالارتباك وسيعتقد أن كرسياً قد تحرك بينما لم يتحرك، أو قد يغفل عن وجود طاولة جديدة تماماً. إنها لعبة "أوجد الفروق" مليئة بالضجيج والأخطاء، وغالباً ما تنهار في المدن المكتظة والمعقدة.

يقدم هذا البحث طريقة أذكى للعب هذه اللعبة. فبدلاً من النظر إلى النقاط الفردية مثل محقق مرتبك، يقترح الباحثون نهجاً "مركزياً حول الأشياء". فكر في الأمر كفرق بين عدّ كل حبة رمل على الشاطئ وبين إدراك أن هناك "دلو"، وهناك "مجرفة"، وهناك "قلعة رملية" قد بُنيت. طريقتهم تجمع بيانات المدينة في كتل ذات معنى — مبانٍ، أشجار، سيارات، وأرض — ثم تسأل: "هل تغير هذا الشيء المحدد؟". والأهم من ذلك، أنهم يمنحون الكمبيوتر "مقياس ثقة". إذا كانت البيانات غامضة أو لم تتطابق الخريطتان تماماً، يعرف الكمبيوتر كيف يقول: "أنا لست متأكداً بشأن هذه البقعة"، بدلاً من التخمين وارتكاب خطأ. لقد اختبروا طريقتهم في مدينة "سوبياكو" في غرب أستراليا، حيث قارنوا خريطة من عام 2023 بأخرى جديدة من عام 2025، ووجدوا أن طريقتهم أفضل بكثير في رصد التغييرات الحقيقية مع تجاهل الضجيج.

المشكلة في الطريقة القديمة

تخيل أنك تحاول قياس مدى نمو شجرة من خلال مقارنة صورة من العام الماضي بصورة من هذا العام. إذا أمسكت الكاميرا أعلى بملم واحد هذه المرة، أو إذا كانت الشمس في مكان مختلف، فقد يعتقد الكمبيوتر أن الشجرة نمت أطول أو أقصر لمجرد اختلاف الزاوية. هذه هي مشكلة الطرق القديمة التي تكتفي بطرح خريطة من أخرى. فهي حساسة جداً لـ "الانحياز الرأسي" (الاختلاف الطفيف في الارتفاع) و"عدم تطابق وجهة النظر" (النظر من زاوية مختلفة قليلاً). كما أنها تعاني مع الأشياء الرفيعة، مثل الرصيف الضيق أو السياج الصغير، حيث تمسحها أو تعتبرها أخطاءً. علاوة على ذلك، تفترض هذه الطرق القديمة أن الخريطتين متطابقتان تماماً بالفعل، وهو أمر نادراً ما يحدث في الواقع. وعندما لا يكون المحاذاة مثالية، يرى الكمبيوتر "تغييرات وهمية" حيث لا توجد تغييرات، مثل الاعتقاد بأن مبنى قد تحرك لأن الخريطة كانت مزاحة قليلاً.

طريقة "المحقق للأشياء" الجديدة

يقترح المؤلفون طريقة تعمل مثل محقق ذكي وليس مجرد آلة حاسبة بسيطة. إليك كيف يعمل "محققهم"، خطوة بخطوة:

1. المحاذاة التقريبية (الحركة "الخشنة")
أولاً، يأخذ الكمبيوتر خريطتي المدينة (من 2023 و2025) ويحاول مواءمتهما. يستخدم تقنية تسمى NDT (تحويل التوزيع الطبيعي)، وهي تشبه تمرير قطعتي أحجية (jigsaw puzzle) معاً حتى تتطابق الحواف تقريباً، حتى لو لم تكن مثالية بعد. ثم يستخدم ICP (نقطة التقارب التكرارية) لضبطهما في وضع أكثر إحكاماً. لكن هنا تكمن اللمسة المميزة: الكمبيوتر لا يتظاهر بأن الأمور مثالية. بل يحسب "مستوى الكشف" (LoD). فكر في هذا كـ "مقياس للغموض". إذا كانت الخرائط متذبذبة في منطقة معينة (ربما تحت مظلة الأشجار أو بالقرب من منعطف في الطريق)، يرتفع المقيتر، ليخبر النظام: "مهلاً، كن حذراً هنا؛ البيانات غير مستقرة".

2. التجميع في أشياء (خطوة "الليغو")
بدلاً من النظر في ملايين النقاط الفردية، يقوم النظام بتجميعها في أشياء منطقية. يستخدم الهندسة لتحديد ما هو مبنى، وما هو شجرة، وما هي سيارة، وما هي الأرض.

• المباني: يبحث عن الجدرب والأسقف المسطحة والرأسية.
• الأشجار: يبحث عن الأشكال المستديرة والكثيفة التي ليست مسطحة.
• السيارات: يبحث عن الأشكال الصغيرة والمدمجة التي تتحرك.
• الأرض: يبحث عن الأرضية المسطحة للمدينة.
  هذا يشرح عملية فرز صندوق ضخم من قطع الليغو المختلطة إلى مجموعات منفصلة قبل محاولة بناء شيء ما.

3. المطابقة "المتسقة مع الفئة" (قاعدة "بطاقة الاسم")
الآن يأتي الجزء الصعب: مطابقة أشياء عام 2023 مع أشياء عام 2025. يفرض النظام قاعدة صارمة: يمكن للمبنى من عام 2023 أن يتطابق فقط مع مبنى من عام 2025. لن يخلط بين شجرة وسيارة بالخطأ. كما أنه يتعامل مع حالات "الانقسام" و"الاندماج". على سبيل المثال، إذا تم قطع شجرة كبيرة في 2023 واستبدالها بشجيرتين صغيرتين في 2025، يدرك النظام أن هذا تغيير بدلاً من الارتباك. يستخدم طريقة "تعيين" رياضية لربطهم بشكل صحيح، مما يضمن بقاء عدد الأشياء متسقاً بمرور الوقت.

4. قرار التغيير (الحكم)
بمجرد مطابقة الأشياء، يتحقق النظام من التغييرات باستخدام أربعة أدلة:

• التداخل: هل يشغل الشيئان نفس المساحة؟
• الإزاحة: هل تحرك الشيء؟
• الارتفاع: هل أصبح أطول أم أقصر؟
• الحجم: هل أصبح أكبر أم أصغر؟
  بشكل حاسم، لا يتخذ النظام قراراً إلا إذا كان التغيير أكبر من "مقياس الغموض" (LoD). إذا كان التغيير أصغر من درجة عدم اليقين، فإنه يقول "لم يتغير"، بدلاً من التخمين. هذا يمنع النظام من إطلاق إنذارات كاذبة بشأن التحركات الطفيفة وغير الهامة.

النتائج: اختبار على مستوى المدينة

لإثبات فعالية ذلك، ذهب الباحثون إلى سوبياكو، وهي ضاحية في بيرث، غرب أستراليا. كان لديهم خريطة للمنطقة من عام 2023 وأنشأوا خريطة جديدة عالية الدقة في عام 2025 باستخدام سيارة مجهزة بماسح ليزر ثلاثي الأبعاد قوي (LiDAR). لقد قادوا حول 20 مساراً مختلفاً في المدينة لالتقاط البيانات.

كانت النتائج مبهرة. حققت طريقتهم الجديدة:

• دقة بنسبة 95.3% (الحصول على الإجابة الصحيحة في كل مرة تقريباً).
• 90.8% mF1 (درجة توازن بين إيجاد التغييرات وعدم إطلاق إنذارات كاذبة).
• 82.9% mIoU (مقياس لمدى تطابق التغييرات المكتشفة مع التغييرات الفعلية).

وعندما قارنوا طريقتهم بأقوى الطرق الموجودة (مثل "Triplet KPConv"، وهو نموذج ذكاء اصطناعي شائع)، كانت طريقتهم أفضل في جميع الجوانب. فقد حسنت الدقة بمقدار 0.3 نقطة، ودرجة F1 بمقدار 0.6 نقطة، ودرجة IoU بمقدار 1.1 نقطة. وكان الانتصار الأكبر في رصد الأشياء التي "تناقصت" (مثل هدم مبنى أو إعادة رصف طريق)، حيث كانت طريقتهم أفضل من المنافس بـ 8.4 نقاط.

لماذا هذا مهم؟

لا يقدم هذا البحث مجرد خوارزمية أفضل قليلاً؛ بل يقدم طريقة أكثر موثوقية لصيانة الخرائط الرقمية التي ستعتمد عليها مدننا المستقبلية. من خلال الاعتراف بأن البيانات ليست مثالية أبداً وبالتركيز على الأشياء الكاملة بدلاً من النقاط الصغيرة، يتجنب النظام العثرات الشائعة للإنذارات الكاذبة. لقد نجح في التعامل مع الواقع الفوضوي للمدينة، حيث تنمو الأشجار، وتتحرك السيارات، وتحدث عمليات البناء. كما أصدر الباحثون مجموعة بيانات عام 2025 الجديدة والتعليمات البرمجية (code) التي استخدموها، لكي يتمكن علماء آخرون من تجربتها والبناء عليها. هذا ينقل المجال من "النظري" إلى "العملي"، موضحاً أننا نستطيع الآن تحديث الخرائط ثلاثية الأبعاد على مستوى المدينة بمستوى من الدقة كان بعيد المنال سابقاً.