Legs Over Arms: On the Predictive Value of Lower-Body Pose for Human Trajectory Prediction from Egocentric Robot Perception

ملخص تقني: الأرجل فوق الأذرع (Legs Over Arms)

العنوان: الأرجل فوق الأذرع: حول القيمة التنبؤية لوضعية الجزء السفلي من الجسم لتوقع مسار البشر من منظور إدراك الروبوت الذاتي (Egocentric)
المؤلفون: نات ليه، دايون سونغ، وشويسو شياو (جامعة جورج ميسون)

1. بيان المشكلة

تتطلب الملاحة الاجتماعية الواعية للروبوتات في البيئات المزدحمة تنبؤاً دقيقاً بمسارات الوكلاء المتعددين (multi-agent trajectory prediction). تعامل معظم الأبحاث الحالية البشر كـ "كتل نقطية" (إحداثيات ثنائية الأبعاد بسيطة على الخريطة)، مما يتجاهل الإشارات البصرية الغنية مثل وضعية الجسم، وطريقة المشي، والاتجاه. هذا التجريد يحد من قدرة الروبوت على توقع الحركة، خاصة خلال فترات المراقبة القصيرة أو عندما يكون البشر محجوبين جزئياً. يهدف المؤلفون إلى تحديد أي ميزات هيكلية بشرية معينة — وأي مناطق من الجسم — توفر القيمة التنبؤية الأكثر عند رؤيتها من منظور الروبوت الذاتي (المنظور الأول)، لا سيما باستخدام كاميرات 360 درجة المحيطية.

2. المنهجية

أجرى الباحثون دراسة مقارنة منهجية باستخدام بنية "محول المشهد البشري" (Human Scene Transformer - HST) كبنية أساسية ثابتة لضمان أن مكاسب الأداء تعود للميزات نفسها وليس لتغييرات في النموذج.

• تكوينات الميزات: قاموا بتقييم عدة أنواع من المدخلات:
  • نقاط الهيكل العظمي ثلاثية الأبعاد ($K_{3D}$): كامل الجسم، الجزء السفلي فقط ($K_{3D}^L$)، والجزء العلوي فقط ($K_{3D}^U$).
  • نقاط الهيكل العظمي ثنائية الأبعاد ($K_{2D}$): تنسيق COCO القياسي المكون من 17 نقطة مفصلية.
  • الإشارات الميكانيكية الحيوية ($C$): ميزات مشتقة مثل زوايا تمفصل الساقين، طول الخطوة، زوايا الذراعين، واتجاه الرأس.
• مجموعات البيانات:
  • JRDB: مجموعة بيانات واسعة النطاق توفر بيانات كاميرا ستيريو 360 درجة وLidar مع تسميات وضعية ثلاثية الأبعاد عالية الجودة.
  • مجموعة بيانات الملاحة الاجتماعية الجديدة: مجموعة بيانات مبتكرة تتميز بروبوت يتم التحكم فيه عن بعد (AgileX Scout Mini) يتنقل في حشود كثيفة في بيئات داخلية باستخدام كاميرا (Insta360 X4)، مما يوفر صوراً بانورامية مستطيلة متساوية (equirectangular).
• صياغة المهمة: يتنبأ النموذج بتوزيع المواقع المستقبلية ($F$ خطوة) بناءً على تاريخ الحركة الماضية ($H$ خطوة) والميزات الهيكلية/الميكانيكية الحيوية المختارة.

3. المساهمات الرئيسية

• التقييم المنهجي للميزات: أول دراسة تقارن بصرامة بين مناطق الهيكل المختلفة (الجزء العلوي مقابل الجزء السفلي) والإشارات الميكانيكية الحيوية للتنبؤ بمسار الوكلاء المتعددين في سياق المنظور الذاتي.
• تحديد التنبؤ "المتمحور حول الساقين": إثبات أن حركة الجزء السفلي من الجسم هي المحرك الأساسي لتوقع المسار بدقة.
• التحقق من فعالية الإشارات ثنائية الأبعاد البانورامية: إثبات أن نقاط الهيكل ثنائية الأبعاد المستخرجة من الصور المستطيلة المتساوية المشوهة لا تزال فعالة للغاية في التنبؤ بالحركة.
• مجموعة بيانات جديدة: تقديم مجموعة بيانات متخصصة تركز على سيناريوهات الملاحة الاجتماعية الواقعية والكثيفة.

4. النتائج

أسفرت الدراسة عن عدة نتائج كمية هامة:

• قوة الجزء السفلي من الجسم (على مجموعة JRDB): أدى التركيز على نقاط الهيكل العظمي ثلاثية الأبعاد للجزء السفلي ($K_{3D}^L$) إلى تحقيق تحسينات دراماتيكية، حيث قلل من متوسط خطأ الإزاحة (ADE) بنسبة 13% ومن احتمالية السلب اللوغاريتمي (NLLpos) بنسبة 24% مقارنة بالنموذج المرجعي.
• مكاسب الميكانيكا الحيوية: وفرت إضافة الإشارات المشتقة (مثل طول الخطوة وزوايا المفاصل) إلى نقاط الهيكل تحسناً إضافياً بنسبة 1–4%، مما يشير إلى أنه بينما تعتبر هذه الإشارات مفيدة، فإن نقاط الهيكل ثلاثية الأبعاد الخام تلتقط بالفعل معظم المعلومات الضرورية.
• ثلاثي الأبعاد مقابل ثنائي الأبعاد: تفوقت نقاط الهيكل ثلاثية الأبعاد بشكل كبير على النقاط ثنائية الأبعاد في مجموعة بيانات JRDB. ويُعزى ذلك إلى أن الكواشف ثنائية الأبعاد تعاني من مشكلة قص الأطراف الناتج عن مجال الرؤية الرأسي المحدود في بعض إعدادات كاميرات 360 درجة.
• فعالية البانوراما (على المجموعة الجديدة): في مجموعة البيانات المستطيلة المتساوية، أدى استخدام نقاط الهيكل الكامل للجسم ثنائية الأبعاد ($K_{2D}$) إلى تقليل ADE بنسبة 7%. وهذا يؤكد أنه حتى مع التشوه المتأصل في الصور البانورامية، تظل الإشارات البصرية غنية بالمعلومات.

5. الأهمية والآثار العملية

تقدم الورقة "وصفات هندسية" قابلة للتنفيذ لمطوري الروبوتات الاجتماعية:

• وضع المستشعرات: لتعظيم فائدة كشف الوضعية ثنائية الأبعاد، يجب تركيب الكاميرات على ارتفاع (مثلاً ~0.85 متر) يقلل من التشوه الشديد لجسم الإنسان.
• اختيار الميزات: بالنسبة للأنظمة التي تعمل في الوقت الفعلي، فإن إعطاء الأولوية لرصد وتتبع الساقين والقدمين يعد أكثر كفاءة من الناحية الحسابية وأكثر قدرة على التنبؤ من محاولة نمذجة الجزء العلوي من الجسم بالكامل أو الإيماءات المعقدة.
• اختيار الأجهزة: بينما تعد كاميرات 360 درجة منخفضة التكلفة، يقترح المؤلفون أن مجموعات الكاميرات متعددة العدسات (multi-fisheye) قد تكون متفوقة في الحفاظ على مجال رؤية رأسي ثابت، مما يضمن بقاء الأرجل مرئية للتنبؤ.