⚡ electrical engineering

Event-Only Drone Trajectory Forecasting with RPM-Modulated Kalman Filtering

تقترح هذه الورقة طريقة جديدة للتنبؤ بمسار الطائرات بدون طيار تعتمد على الأحداث فقط، حيث تستخرج سرعة دوران المروحة مباشرة من بيانات الأحداث الخام وتدمجها في مرشح كالمان مدرك لسرعة الدوران في الدقيقة (RPM)، مما يحقق دقة تنبؤ فائقة للمدى القصير والمتوسط مقارنة بالنهج القائمة على التعلم دون الاعتماد على صور RGB أو بيانات تدريبية.

المؤلفون الأصليون: Hari Prasanth S. M., Pejman Habibiroudkenar, Eerik Alamikkotervo, Dimitrios Bouzoulas, Risto Ojala

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hari Prasanth S. M., Pejman Habibiroudkenar, Eerik Alamikkotervo, Dimitrios Bouzoulas, Risto Ojala

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 التنبؤ بالوجهة التي سيطير إليها طائر الطنان تالياً. إذا استخدمت كاميرا عادية (مثل تلك الموجودة في هاتفك)، فقد تحصل على صورة ضبابية لأن الطائر يتحرك بسرعة كبيرة. وبحلول الوقت الذي تلتقط فيه الكاميرا "اللقطة" التالية، يكون الطائر قد غير اتجاهه بالفعل. الأمر يشبه محاولة تخمين مسار سيارة سباق من خلال النظر إلى سلسلة من الصور الثابتة الملتقطة مرة كل ثانية؛ ستفوتك جميع المنعطفات الحادة.

تقدم هذه الورقة البحثية طريقة أكثر ذكاءً لتتبع الطائرات بدون طيار (الدرونز) سريعة الحركة باستخدام نوع خاص من الكاميرات يسمى كاميرا الأحداث (Event Camera)، مدمجة مع "لعبة تخمين" رياضية تسمى مرشح كالمان (Kalman Filter).

إليك تفصيل كيفية عمل ذلك، باستخدام تشبيهات بسيطة:

1. العين فائقة الحساسية (كاميرا الأحداث)

فكر في الكاميرا العادية كأنها كتاب صور متحركة (Flipbook). تلتقط صورة كاملة، ثم تنتظر جزءاً من الثانية، ثم تلتقط صورة كاملة أخرى، وهكذا. إذا تحرك شيء بسرعة كبيرة بين هذه الصور، فسيظهر كأنه بقعة مشوشة.

أما كاميرا الأحداث، فهي أشبه بغرفة مليئة بحراس أمن صغار شديدي اليقظة. كل حارس (بكسل) يتحدث فقط عندما يرى شيئاً ما يتغير. إذا مرت طائرة بدون طيار أمامهم، فإن الحراس لا يلتقطون صورة للغرفة بأكملة؛ بل يصرخون فقط: "مهلاً! شيء ما تحرك هنا!" و"مهلاً! شيء ما تحرك هناك!".

لماذا يساعد ذلك: لأنهم يتفاعلون فقط مع التغييرات، فهم لا يرتبكون بسبب ضبابية الحركة. يمكنهم رؤية مراوح الطائرة وهي تدور بسرعة 10,000 ميل في الساعة دون أن تصبح الصورة مشوشة.

2. الاستماع إلى الطنين (استخراج عدد الدورات في الدقيقة - RPM)

السر الحقيقي في هذه الورقة هو أن الباحثين أدركوا أنه يمكنهم "الاستماع" إلى "محرك" الطائرة بدون طيار بمجرد مراقبة إشارات الأحداث هذه.

التشبيه: تخيل أنك في غرفة مظلمة ولا يمكنك رؤية مروحة سقف، لكن يمكنك سماع صوت دورانها. إذا دارت المروحة بشكل أسرع، فإن صوت "الهواء" يصبح أعلى وأسرع.
الجانب التقني: ترى كاميرا الأحداث شفرات المروحة وهي تومض وتختفي. يقوم الكمبيوتر بعد هذه الومضات لمعرفة سرعة دوران المراوح بدقة (عدد الدورات في الدقيقة، أو RPM).
الرؤية المستخلصة: إذا كانت المراوح تدور بجنون وسرعة عالية، فمن المحتمل أن تقوم الطائرة بحركة قوية ومفاجئة (مثل منعطف حاد أو غطسة). أما إذا كانت تدور ببطء، فمن المرجح أن الطائرة تحلق في مكانها أو تتحرك بهدوء.

3. المتنبئ الذكي (مرشح كالمان المعدل بواسطة RPM)

الآن، كيف نتنبأ بمكان ذهاب الطائرة بدون طيار تالياً؟ يستخدم المؤلفون مرشح كالمان (Kalman Filter)، وهو في الأساس "آلة حاسبة لأفضل تخمين" ذكية جداً.

الطريقة القديمة (المرشح التقليدي): تخيل خبير أرصاد جوية يفترض دائماً أن الرياح ستهب بنفس السرعة. إذا ضربت عاصفة مفاجئة، فسيكون تنبؤه بعيداً جداً عن الواقع لأنه لم يأخذ التغيير في الاعتبار.
الطريقة الجديدة (المعدلة بواسطة RPM): هذا النظام الجديد يشبه خبير أرصاد جوية يتحقق من سرعة الرياح الآن.
- السيناريو أ: الطائرة تحلق في مكانها (RPM منخفض). تقول الحاسبة: "حسناً، الجو هادئ. أنا متأكد تماماً من أنها ستستمر في السير بخط مستقيم". هي تثق في نموذج الحركة الخاص بها.
- السيناريو ب: فجأة، تدور مراوح الطائرة بأقصى سرعتها (RPM مرتفع). تقول الحاسبة: "واو! الأمور أصبحت فوضوية! لا ينبغي أن أثق بتخميني لـ 'الخط المستقيم' بقدر ما ينبغي. أحتاج إلى إعطاء اهتمام أكبر لمكان وجود الطائرة فعلياً الآن لأنها قد تتحرك بحركات مفاجئة وعنيفة".

من خلال تعديل "ثقتها" بناءً على سرعة المروحة، يصبح النظام أفضل بكثير في التنبؤ بالحركات المفاجئة والمنعطفات الحادة.

4. النتائج: التفوق على عمالقة "الذكاء الاصطناعي"

اختبر الباحثون طريقتهم على مجموعة بيانات ضخمة تسمى FRED (والتي تحتوي على ساعات من لقطات الطائرات بدون طيار في المطر، وفي الليل، وفي الداخل).

المنافسة: قارنوا طريقتهم بنماذج التعلم العميق (Deep Learning) المتطورة (الذكاء الاصطناوي). نماذج الذكاء الاصطناعي هذه تشبه الطلاب الذين يحفظون آلاف مسارات الطيران السابقة. هم بارعون إذا طارت الطائرة تماماً كما فعلت في الماضي، لكنهم يرتبكون إذا قامت الطائرة بشيء جديد.
الفائز: فازت طريقة "كاميرا الأحداث + RPM + المرشح الذكي". لقد كانت أكثر دقة من نماذج الذكاء الاصطناعي، رغم أنها لم تكن بحاجة إلى "التدريب" على آلاف الأمثلة. لقد استخدمت الفيزياء والرياضيات فقط لفهم الأمر في الوقت الفعلي.

لماذا يهم هذا الأمر؟

لا توجد فوضى ضبابية: تعمل في الظلام، وفي المطر، وعندما تتحرك الأشياء بسرعة فائقة.
لا تحتاج إلى "عقول" ثقيلة: لا تحتاج إلى كمبيوتر خارق أو قاعدة بيانات ضخمة للتدريب. إنها خفيفة الوزن وسريعة.
السلامة في العالم الحقيقي: هذا أمر بالغ الأهمية لأشياء مثل الدفاع ضد الطائرات بدون طيار (إيقاف طائرة مارقة) أو التحكم في الحركة الجوية (التأكد من عدم اصطدام طائرة بدون طيار بطائرة ركاب). إذا كان بإمكانك التنبؤ بمكان توجه الطائرة في نصف الثانية القادم، يمكنك تجنب الاصطدام.

باختصار: بدلاً من محاولة حفظ كل مسار طيران محتمل مثل طالب آلي، تعمل هذه الطريقة مثل طيار متمرس يستمع إلى طنين المحرك ليعرف فوراً ما إذا كانت الطائرة ستكون هادئة أم مجنونة، ويعدل تنبؤاته بناءً على ذلك.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التنبؤ بمسار الطائرات بدون طيار باستخدام الأحداث فقط عبر مرشح كالمان المعدل بنمط دوران المحرك (RPM)".

1. بيان المشكلة

يعد التنبؤ بمسار الطائرات بدون طيار (UAVs) أمراً بالغ الأهمية لمراقبة المجال الجوي، وتجنب الاصطدام، وتقنيات مكافحة الطائرات بدون طيار. ومع ذلك، تواجه الطرق الحالية تحديات كبيرة:

محدودية كاميرات RGB: تعاني الكاميرات التقليدية من ضبابية الحركة (motion blur)، ومعدلات الإطارات المحدودة، وزمن التأخير، خاصة عند تتبع الطائرات بدون طيار سريعة الحركة أو التي تقوم بمناورات عنيفة. تؤدي هذه المشكلات إلى تدهور دقة مراقبة الحالة.
محدودية التعلم العميق (DL): على الرغم من قدرة نماذج التعلم العميق (مثل Transformers وLSTMs) على تعلم الأنماط المعقدة، إلا أنها تتطلب مجموعات بيانات تدريب ضخمة، وموارد حوسبة عالية، وغالباً ما تفشل في التعميم على أنواع الطائرات أو أنماط الطيران التي لم تظهر أثناء التدريب.
الفجوة: توفر كاميرات الأحداث (Event cameras) دقة زمنية عالية وخلوّاً من ضبابية الحركة، مما يجعلها مثالية للرؤية عالية السرعة. ومع ذلك، لا يزال إمكان استخدامها في التنبؤ بالمسار غير مستغل بشكل كافٍ. أظهرت المحاولات السابقة لاستخدام بيانات الأحداث مع التعلم العميق تحسينات طفيفة فقط مقارنة بالنماذج المرجعية غير المعتمدة على الأحداث.

الهدف الجوهري: تطوير طريقة قوية وفي الوقت الفعلي للتنبؤ بالمسار باستخدام الأحداث فقط، دون الاعتماد على صور RGB أو بيانات تدريب واسعة النطاق، وذلك من خلال الاستففادة من الإشارات الفيزيائية (دوران المروحة) المستخرجة مباشرة من تدفقات الأحداث.

2. المنهجية

الإطار المقترح هو نهج غير قائم على التعلم يجمع بين معالجة بيانات كاميرا الأحداث ومرشح كالمان المعدل. يتكون خط العمل من ثلاث مراحل رئيسية:

أ. تقدير عدد الدورات في الدقيقة (RPM) من بيانات الأحداث

يستخرج النظام سرعة دوران المروحة (عدد الدورات في الدقيقة - RPM) مباشرة من بيانات الأحداث الخام داخل المربع المحيط بالطائرة بدون طيار.

رسم الخرائط الترددية: يتم إنشاء خريطة تردد مكاني عن طريق عد الأحداث لكل بكسل.
التقسيم (Segmentation): يقوم عتبة قائمة على المئينات (المئين السبعين) بفصل بكسلات المروحة عالية التردد عن بكسلات هيكل الطائرة منخفضة التردد.
مخطط توزيع الفترات (Period Histogram): يتم تجميع الطوابع الزمنية لأحداث ON/OFF لبكسلات المروحة المفلترة في مخطط توزيع (من 0 إلى 25.6 مللي ثانية).
حساب الـ RPM: يتم تحديد الفترة المهيمنة ( $\hat{T}$ ) من ذروة المخطط. يتم تحويل التردد ( $f = 1/\hat{T}$ ) إلى RPM باستخدام الصيغة:
$RPM = f \cdot \frac{60}{N_b}$
(حيث $N_b$ هو عدد الشفرات).
ملاحظة: يتكيف النظام مع تغيرات الإضاءة والسرعة عبر طابور (FIFO) يقوم بإزالة مدخلات المخطط التي مضى عليها أكثر من 100 مللي ثانية.

ب. مرشح كالمان المعدل بنمط RPM

يتم صياغة التنبؤ بالمسار كمسألة تقدير حالة باستخدام نموذج سرعة ثابتة في زمن منفصل. تتضمن ناقلة الحالة (state vector) المركز $(c_x, c_y)$ والسرعة $(v_x, v_y)$ .

مرشح كالمان القياسي (Standard KF): يستخدم مصفوفة تباين ضوضاء عملية ( $Q$ ) ثابتة.
مرشح كالمان المعدل بنمط RPM: يتم تعديل مصفوفة ضوضاء العملية ديناميكياً بناءً على الـ RPM المقدر.
- المنطق: يرتبط الـ RPM العالي بالمناورات العنيفة والتسارع السريع (عدم يقين عالٍ). بينما يرتبط الـ RPM المنخفض بالتحليق المستقر أو الطيران السلس (عدم يقين منخفض).
- عامل القياس ( $\alpha_v$ ): يُعرف بـ $\alpha_v = \max(0.5, 1 + 2r + \max(0, \dot{r}))$ ، حيث $r$ هو مستوى الـ RPM المعياري و $\dot{r}$ هو معدل التغيير.
- الأثر: عندما يكون الـ RPM مرتفعاً أو في حالة زيادة، يزيد المرشح من عدم اليقين في الحركة، مما يضع وزناً أكبر على تحديث القياس. وعندما يكون الـ RPM منخفضاً، يعتمد المرشح بشكل أكبر على نموذج الحركة.

ج. التنبؤ (Forecasting)

يتم تقدير الحالة الحالية باستخدام مرشح كالمان المعدل بنمط RPM.
يتم استقراء الحالات المستقبلية باستخدام نموذج الحركة الكينماتيكي لآفاق زمنية قدرها 0.4 ثانية و 0.8 ثانية.
يتم إنشاء الوضعيات الوسيطة عند فترات زمنية قدرها 33 مللي ثانية للتقييم الكامل للمسار.

3. المساهمات الرئيسية

استخراج الـ RPM من الأحداث فقط: طريقة مبتكرة لاستخراج سرعة دوران المروحة مباشرة من بيانات الأحداث الخام دون الحاجة لصور RGB أو تدريب.
ضوضاء العملية المعدلة بنمط RPM: نسخة معدلة من مرشح كالمان يتم فيها ضبط مصفوفة ضوضاء العملية ديناميكياً بناءً على سرعة دوران المروحة المكتشفة، مما يسمح للمقدر بالتكيف مع قدرة الطائرة على المناورة في الوقت الفعلي.
أداء رائد (State-of-the-Art): حقق نتائج متفوقة على مجموعة بيانات FRED مقارنة بكل من نماذج التعلم العميق المرجعية ومرشحات كالمان القياسية.
المتانة: أظهر فعالية في الظروف الصعبة (المطر، الليل، الداخل، الحركة الديناميكية العالية) حيث تفشل كاميرات RGB بسبب ضبابية الحركة.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعة بيانات FRED (أكبر مجموعة بيانات للطائرات بدون طيار القائمة على الأحداث)، ومقارنتها بـ:

نماذج التعلم العميق المرجعية: LSTM، وTransformer، وCNN+Transformer (باستخدام RGB، أو الأحداث، أو كليهما).
النماذج الكلاسيكية المرجعية: الاستقراء الخطي (Linear Extrapolation) ومرشح كالمان التقليدي (Vanilla Kalman Filter).

المقاييس الرئيسية (متوسط خطأ الإزاحة - ADE / خطأ الإزاحة النهائي - FDE بالبكسل):

الطريقة	المدخلات	ADE (0.4ث)	ADE (0.8ث)	FDE (0.4ث)	FDE (0.8ث)
المقترح (Kalman + RPM)	حدث (Event)	15.35	34.85	31.16	77.76
مرشح كالمان (التقليدي)	حدث (Event)	16.40	37.08	32.80	81.54
الاستقراء الخطي	حدث (Event)	16.45	37.93	32.90	83.32
CNN + Transformer	RGB + حدث	121.3	281.5	45.23	85.78
LSTM	لا يوجد (GT فقط)	171.9	353.3	53.04	96.44

الملاحظات:

حققت الطريقة المقترحة أقل خطأ عبر جميع المقاييس.
حتى الاستقراء الخطي البسيط تفوق على أفضل نماذج التعلم العميق (CNN+Transformer)، مما يشير إلى أن نماذج التعلم العميق تعاني من الإفراط في التخصيص (overfitting) أو ضعف في التعميم على هذه المجموعة من البيانات.
وفر تعديل مرشح كالمان بنمط RPM دفعة كبيرة (على سبيل المثال، تحسن قدره 4.2 بكسل في FDE عند 0.8 ثانية) مقارنة بمرشح كالمان التقليدي.
أظهرت الطريقة أداءً جيداً باستمرار في سيناريوهات الليل، والمطر، والبيئات الداخلية.

5. الأهمية والخاتمة

يُظهر هذا العمل أن الخوارزميات الكلاسيكية المدمجة مع فيزياء كاميرا الأحداث يمكن أن تتفوق على نماذج التعلم العميق المعقدة في التنبؤ بمسار الطائرات بدون طيار.

الكفاءة: لا تتطلب الطريقة بيانات تدريب، وتتطلب حداً أدنى من ضبط المعلمات، وتعمل في الوقت الفعلي.
الموثوقية: توفر أداءً قوياً في ظروف السرعة العالية والإضاءة المنخفضة حيث تفشل مستشعرات RGB.
الدلالة: بالنسبة لتتبع الطائرات بدون طيار غير المتعاونة، فإن استخراج الخصائص الفيزيائية (مثل RPM) من تدفقات الأحداث يوفر مساراً أكثر موثوقية وقابلية للتعميم للوصول إلى تقدير دقيق للحالة مقارنة بالنهج المعتمد كلياً على البيانات.

العمل المستقبلي: يخطط المؤلفون لتقدير الـ RPM لكل مروحة على حدة (بدلاً من متوسط واحد للطائرة) للتحكم الأدق أثناء الحركات غير المنتظمة، وكذلك لتقدير اتجاه الطائرة بناءً على اكتشاف المروحة.