💻 computer science

DefVINS: Visual-Inertial Odometry for Deformable Scenes

تقدم هذه الورقة DefVINS، وهو أول مسار لقياس المسافات البصرية-القصورية مصمم للمشاهد القابلة للتشوه، والذي يجمع بين حالة صلبة مرتكزة على وحدة قياس القصور الذاتي ورسم بياني للتشوه المدمج غير الصلب، مدعوماً بمعيار جديد من العالم الحقيقي (VIMandala) وتحليل قابلية الملاحظة الذي يثبت أداءه المتفوق على النماذج المرجعية الصلبة وغير الصلبة الموجودة.

المؤلفون الأصليون: Samuel Cerezo, Javier Civera

نُشر 2026-03-18

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Samuel Cerezo, Javier Civera

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول السير عبر غرفة مزدحمة وأنت معصوب العينين، ولكن لديك صديق يصرخ لك بالاتجاهات كل ثانية. هكذا تكتشف معظم الروبوتات والهواتف مكانها: فهي تستخدم الكاميرا (عينيك) ومقياس التسارع/الجيروسكوب (أذنك الداخلية) لتخمين موقعها. تُسمى هذه التقنية قياس المسافات البصري-القصوري (Visual-Inertial Odometry - VIO).

عادةً، يعمل هذا بشكل رائع لأننا نفترض أن العالم صلب—بمعنى أن الجدران، والطاولات، والأرضيات لا تتذبذب أو تتمدد أو تلتوي. عقلك (وبرمجيات الروبوت) يفترض أنه إذا بدا الكرسي أكبر حجماً، فأنت فقط تقترب منه، وليس أن الكرسي ينتفخ مثل البالون.

المشكلة: "العالم المتذبذب"
تقدم الورقة البحثية نظاماً جديداً يسمى DefVINS لحل مشكلة محددة: ماذا يحدث عندما لا يكون العالم صلباً؟

تخيل أنك تسير في غرفة مليئة بـ:

أشخاص يلوحون بأذرعهم.
ملابس معلقة على حبل ترفرف في الرياح.
منحوتة ضخمة من الهلام (الجيلي) المتذبذب.

إذا حاول روبوت قياسي التنقل في مثل هذا المشهد، فسيصاب بالارتباك. سيعتقد أن الذراع الملوحة هي جدار يقترب منه، أو سيعتقد أن القميشر المتطاير هو الأرضية التي ترتفع للأعلى. سيصاب بـ "السكر" من الحركة، مما يؤدي إلى فقدان شديد في تحديد الاتجاه. إنه يحاول فرض خريطة صلبة على عالم مرن، مما يؤدي إلى انهيار العمليات الحسابية.

الحل: DefVINS
ابتكر المؤلفون DefVINS، وهو نظام ملاحة جديد مصمم خصيصاً لهذه البيئات "المرنة". إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. نهج "العقلين"

بدلاً من محاولة حل اللغز بأك_مله بعقل واحد، يقسم DefVINS المهمة إلى جزأين:

العقل الصلب (المرساة): هذا الجزء يثق في وحدة القياس بالقصور الذاتي (IMU) (أذنك الداخلية). هو يعلم أن الجاذبية دائماً للأسفل، وأن الروبوت نفسه لا يتمدد أو ينكمش فجأة. إنه يعمل كمرساة ثقيلة، تمنع الروبوت من الطفو بعيداً في عالم من الهذيان.
العقل المتذبذب (مخطط التشوه): هذا الجزء يتقبل فكرة أن البيئة هي التي تتحرك. تخيل المشهد كشبكة عنكبوت؛ إذا سحبت خيطاً واحداً، فإن الشبكة بأكملها تتحرك. يقوم DefVINS ببناء "شبكة عنكبوت" من النقاط في المشهد، ويسمح لهذه النقاط بالتمدد والانزلاق بالنسبة لبعضها البعض، لكنه يبقيها متصلة حتى لا تنهار الشبكة.

2. قواعد "المرونة واللزوجة"

للتأكد من أن "العقل المتذبذب" لا يخرج عن السيطرة، يستخدم النظام قاعدتين تخيليتين (قيود):

القاعدة المرنة (الأربطة المطاطية): تخيل توصيل جميع النقاط في المشهد بأربطة مطاطية. إذا تمددت هذه الأربطة أكثر من اللازم، يقول النظام: "مهلاً، هذا كثير جداً!"، مما يمنع المشهد من التمدد بشكل غير واقعي.
القاعدة اللزجة (العسل): تخيل أن النقاط تتحرك عبر عسل كثيف. إذا تحركت نقطة واحدة، يجب أن تتحرك جاراتها بطريقة مماثلة. هذا يمنع المشهد من الظهور كأنه انفجار فوضوي من البكسلات ويحافظ على سلاسة وحركة طبيعية.

3. "النادي الرياضي" الجديد (مجموعة بيانات VIMandala)

لاختبار هذا، لم يستطع المؤلفون استخدام فيديوهات عادية لأنهم بحاجة لمعرفة مكان الكاميرا بدقة. لذا، أنشأوا مجموعة بيانات جديدة تسمى VIMandala.

التشبيه: تخيل تصوير راقص يدور حول قطعة قماش كبيرة، ملونة، ومرنة (ماندالا).
قاموا بتسجيل الفيديو، وبيانات المستشعرات، والمسار الحقيقي الدقيق للكاميرا. هذا يشبه امتلاك "نموذج إجابة مثالي" لمعرفة ما إذا كان نظام الملاحة الجديد ذكياً حقاً أم أنه مجرد تخمين.

لماذا هذا مهم؟

تثبت الورقة البحثية أنه من خلال الجمع بين استقرار الـ IMU (المرساة) ومرونة نموذج التشوه (شبكة العنكبوت)، يمكن للروبوت التنقل عبر البيئات الفوضوية والمتحركة دون أن يفقد طريقه.

الطريقة القديمة: تحاول فرض خريطة صلبة على حشد متحرك. النتيجة: يصاب الروبوت بالدوار ويصطدم.
DefVINS: يدرك أن الحشد يتحرك، ويحافظ على توازنه الخاص، ويرسم خريطة حركة الحشد دون أن يفقد مساره.

باختختصار:
DefVINS يشبه الراقص الذي يمكنه السير وسط حشد صاخب (Mosh pit). فبدلاً من أن يُدفع من قبل الحشد (التشوه)، فإنه يستخدم توازنه الخاص (الـ IMU) ليبقى واقفاً بينما يتحرك برشاقة حول الأشخاص المتحركين (النموذج غير الصلب). إنه أول نظام ينجح في القيام بذلك بنجاح للروبوتات وأجهزة الواقع المعزز (AR).

إليك ملخص تقني مفصل لورقة البحث بعنوان "DefVINS: Visual–Inertial Odometry for Deformable Scenes" (تقدير المسافات البصري-القصوري للمشاهد القابلة للتشوه).

1. بيان المشكلة

تعتمد أنظمة تقدير المسافات البصرية-القصورية (VIO) وأنظمة الـ SLAM التقليدية بشكل أساسي على فرضية صلابة المشهد (Scene Rigidity). وفي السيناريوهات الواقعية التي تتضمن أجساماً قابلة للتشوه (مثل الأجسام البشرية، الملابس، الكابلات)، تُنتهك هذه الفرضية. وعند تطبيق نموذج صلب على مشاهد قابلة للتشوه، يعاني النظام من نمطين رئيسيين للفشل:

الإفراط في الملاءمة (Over-fitting): يحاول النموذج الصلب ملاءمة الحركة غير الصلبة المحلية، مما يؤدي إلى تقديرات خاطئة للوضعية.
الانحراف الشديد (Severe Drift): عندما يهيمن التزيح (Parallax) الناتج عن التشوه على الحركة بين الإطارات، يفقد النظام تتبع مسار الكاميرا الحقيقي، مما يسبب انحرافاً كبيياً.

علاوة على ذلك، فإن طرق تقدير المسافات غير الصلبة الموجودة حالياً (البصرية فقط) غالباً ما تفتقر إلى المقياس المتري (Metric Scale) وتعاني من سوء التكييف (Ill-conditioning) لأن حركة الكاميرا وتشوه المشهد مرتبطان بقوة. وهناك نقص حاد في المعايير والأساليب التي تعالج الاستشعار القصوري (Inertial Sensing) ونمذجة التشوه غير الصلب معاً.

2. المنهجية: DefVINS

يقترح المؤلفون DefVINS، وهو أول خط معالجة (Pipeline) لـ VIO مصمم خصيصاً للبيئات القابلة للتشوه. الابتكار الجوهري هو تفكيك الحالة إلى مكونين: مكون صلب مرتبط بالـ IMU وتشويه مشهد غير صلب (Non-rigid scene warp).

أ. تعريف الحالة

يعمل النظام على نافذة منزلقة مكونة من $N$ من الإطارات الرئيسية (Keyframes). وتتضمن متجهة الحالة $\xi$ :

الحالة الصلبة (Rigid State): اتجاه الكاميرا ( $R$ )، والسرعة ( $v$ )، والموقع ( $t$ ) لكل إطار رئيسي، بالإضافة إلى انحيازات الـ IMU ( $b_g, b_a$ ) واتجاه الجاذبية ( $\hat{g}$ ).
الحالة غير الصلبة (Non-Rigid State): مجموعة من عقد التشوه $\{x_i\}$ التي تمثل المواضع ثلاثية الأبعاد للمعالم المتتبعة والتي يُسمح لها بالتحرك بشكل غير صلب.

ب. إطار التحسين (Optimization Framework)

يصيغ النظام مشكلة تقليل المربعات الصغرى غير الخطية لتقليل دالة التكلفة $L$ المكونة من:

بواقي التكامل القبلي للـ IMU (IMU Preintegration Residuals): قيود على الدوران، والسرعة، والموقع بين الإطارات الرئيسية بناءً على بيانات الـ IMU.
خطأ إعادة الإسقاط (Reprojection Error): الخطأ البصري القياسي بين المعالم المرصودة والنقاط ثلاثية الأبعاد.
البواقي غير الصلبة ( $L_{nr}$ ): حد مبتكر لنمذجة مخطط التشوه مع ثلاثة قيود محددة:
- القيد المرن (Elastic Constraint): يعاقب التمدد أو الانضغاط المفرط بين العقد المتصلة في مخطط التشوه، مما يحافظ على الشكل المحلي.
- القيد اللزج (Viscous Constraint): يشجع العقد القريبة على التحرك بشكل متشابه عبر الزمن، مما يضمن تشوهاً زمنياً سلساً ومتماسكاً.
- القيد الضوئي (Photometric Constraint): يستخدم نهجاً شبه مباشر (Lucas-Kanade) لفرض ثبات السطوع، مما يضمن تحرك العقد بتوافق مع تدفق نسيج الصورة.

توازن دالة التكلفة الإجمالية بين هذه الحدود باستخدام وزن قياسي $\lambda_{nr}$ :
$L = \sum (L_{imu} + L_{rep} + \lambda_{nr} L_{nr}) + L_{prior}$

ج. تحليل القابلية للملاحظة (Observability Analysis)

تقدم الورقة تحليلاً دقيقاً للقابلية للملاحظة لمشكلة الـ VIO غير الصلبة.

النتيجة الرئيسية: في الأنظمة غير الصلبة البصرية البحتة، تكون حركة الكامرة والتشوه غامضة (غير محددة جيداً).
دور الـ IMU: تعمل قياسات القصور الذاتي على تثبيت ديناميكيات الجسم الصلب، مما يفصل مسار الكاميرا العالمي عن تشوه المشهد المحلي. وهذا يحسن بشكل كبير من تكييف (Conditioning) النظام، مما يجعل الحالة الصلبة قابلة للملاحظة حتى عندما يكون التشوه عالياً.
الاستراتيجية: استنتج المؤلفون استراتيجية تفعيل قائمة على التكييف لتجنب التحديثات سيئة التحديد عندما يكون التحفيز الحركي ضعيفاً.

3. المساهمات الرئيسية

خوارزمية DefVINS: أول نظام VIO يدمج مخطط تشوه مدمج ضمن إطار تحسين بصري-قصوري، مما يفصل بوضوح بين الحركة الصلبة المرتبطة بالـ IMU وتشويه المشهد غير الصلب.
معيار VIMandala: إنشاء أول معيار للواقع الفعلي لـ VIO القابل للتشوه. يتكون من 7 تسلسلات متزامنة (RGB-D-IMU) تلتقط قماش "ماندالا" مشوهاً مع مواضع كاميرا حقيقية (Ground-truth).
التوسيع الاصطناعي: تعزيز مجموعة بيانات "Drunkard's" الاصطناعية الحالية بقياسات IMU محاكات لتسمح بتقييم متحكم فيه للتأثيرات القصورية.
تحليل القابلية للملاحظة: توصيف نظري يوضح كيف تحل القيود القصورية الغموض بين الحركة الذاتية والتشوه غير الصلب، مما يثبت أن بيانات الـ IMU ضرورية للاتساق المتري في المشاهد القابلة للتشوه.

4. النتائج التجريبية

قيم المؤلفون DefVINS مقابل ORB-SLAM3 (مرجع VIO صلب) و NR-SLAM (مرجع بصري غير صلب) على كل من مجموعات البيانات الاصطناعية والواقعية.

البيانات الاصطناعية (مجموعة بيانات Drunkard's):
- تفوق DefVINS باستمرار على المراجع مع زيادة مستويات التشوه.
- في سيناريوهات التشوه "الشديدة"، قلل DefVINS من خطأ المسار المطلق (ATE) بنسبة ~40-45% مقارنة بـ ORB-SLAM3 وبنسبة ~50% مقارنة بالنسخة البصرية فقط.
- حافظ على التتبع في عدد أكبر بكثير من الإطارات مقارنة بالمراجع الصلبة، التي فشلت في التتبع تحت التشوه العالي.
الواقع الحقيقي (مجموعة بيانات VIMandala):
- في السيناريوهات القريبة من الصلابة، كان أداء ORB-SLAM3 أفضل قليلاً (بسبب الهندسة الناضجة)، لكن DefVINS ظل منافساً.
- مع زيادة التشوه (التسلسلات R4–R6)، فشلت النماذج الصلبة بشكل ذريع (انخفض تغطية التتبع إلى أقل من 20% في R6).
- حافظ DefVINS (الكامل) على دقة عالية وتتبع 85–95% من الإطارات.
- دراسة الاستئصال (Ablation Study): كان النظام الكامل (القصوري + غير الصلب) ضرورياً.
  - البصري فقط (V-NR): عانى من تراكم الانحراف.
  - الـ VIO الصلب (VI-R): ثبت الدوران ولكنه فشل في نمذجة التشوه، مما أدى إلى أخطاء كبيرة.
  - DefVINS الكامل: حقق أفضل اتساق عالمي وأقل خطأ في المسار.

5. الأهمية

تعالج هذه الورقة فجوة حرجة في الروبوتات المتنقلة والواقع المعزز (AR). تفشل معظم أنظمة VIO الحالية في البيئات الديناميكية وغير الصلبة (مثل المشي وسط حشد، أو التفاعل مع أجسام لينة).

المتانة: يتيح DefVINS تحديد المواقع بشكل موثوق في البيئات التي كانت تعتبر سابقاً شديدة الديناميكية بالنسبة لـ VIO القياسي.
الاتساق المتري: من خلال الاستفادة من بيانات الـ IMU، يحافظ النظام على المقياس المتري ويمنع "انحراف المقياس" الشائع في الـ SLAM البصري غير الصلب.
أساس للأعمال المستقبلية: يوفر تقديم معيار VIMandala وتحليل القابلية للملاحظة النظرية أساساً للأبحاث المستقبلية في فهم المشاهد القابلة للتشوه وتقدير الحالة.

في الختام، يثبت DefVINS أن الاستشعار القصوري ونمذجة عدم الصلابة يكملان بعضهما البعض: فالبيانات القصورية تثبت المسار العالمي، بينما تلتقط نمذجة عدم الصلونة ديناميكيات المشهد المحلية، مما يسمح معاً بتقدير المسافات القوي في البيئات عالية التشوه.