💻 computer science

Real-Time Branch-to-Tool Distance Estimation for Autonomous UAV Pruning: Benchmarking Five DEFOM-Stereo Variants from Simulation to Jetson Deployment

تقيم هذه الورقة خمس نسخ من النموذج التأسيسي DEFOM-Stereo لتقدير المسافة بين الفرع والأداة في الوقت الفعلي لعمليات تقليم الطائرات بدون طيار ذاتية القيادة، حيث حددت نسخة DEFOM-PrunePlus المستحدثة كحل أمثل يوازن بين الدقة الكافية للتشغيل الآمن وسرعة الاستدلال المطلوبة للنشر على متن أجهزة NVIDIA Jetson.

المؤلفون الأصليون: Yida Lin, Bing Xue, Mengjie Zhang, Sam Schofield, Richard Green

نُشر 2026-03-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yida Lin, Bing Xue, Mengjie Zhang, Sam Schofield, Richard Green

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 تعليم طائرة بدون طيار (درون) كيف تتصرف كبستاني ماهر. مهمة الدرون هي الطيران نحو شجرة، والعثور على غصن رفيع وهش، وقصه باستخدام مقص آلي.

المشكلة؟ الدرون لا يستطيع "الشعور" بالغصن. عليه أن يعتمد كلياً على عينيه (الكاميرات) لتخمين المسافة الدقيقة للغصن. إذا أخطأ في التخمين، فقد يصطدم بالشجرة أو يقطع الغصن مبكراً جداً، مما يؤدي إلى إلحاق الضرر بالشجرة.

هذه الورقة البحثية تدور حول بناء "العقل" لهذه الطائرة. اختبر الباحثون خمس نسخ مختلفة من نظام رؤية حاسوبية لمعرفة أي منها ذكي بما يكفي لرؤية الأغصان بوضوح وسريع بما يكفي للاستجابة في الوقت الفعلي.

إليك تفاصيل رحلتهم، مشروحة ببساطة:

1. أرض التدريب: صندوق رمال رقمي

لا يمكنك تعليم الدرون بسهولة عبر تركه يصطدم بالأشجار الحقيقية آلاف المرات. لذا، قام الباحثون ببناء عالم افتراضي باستخدام محرك ألعاب فيديو (Unreal Engine 5).

التشبيه: فكر في هذا الأمر كأنه جهاز محاكاة طيران للطيارين. لقد أنشأوا 115 شجرة افتراضية مختلفة والتقطوا 5,520 "صورة" لها من زوايا مختلفة.
القوة الخارقة: في العالم الحقيقي، من الصعب معرفة المسافة الدقيقة لغصن صغير جداً. لكن في لعبة الفيديو، يعرف الكمبيوتر المسافة الدقيقة لكل بكسل. منح هذا الذكاء الاصطناعي "مفاتيح إجابة" مثالية للتعلم، وهو أمر مستحيل في العالم الحقيقي.

2. المتنافسون الخمسة: نسخ "العقل" المختلفة

أخذ الباحثون نموذج ذكاء اصطناعي قوي (يسمى DEFOM-Stereo) وأنشأوا خمس نسخ مختلفة منه، تتراوح من "العقل الخارق" إلى "عقل الجيب". أرادوا إيجاد النقطة المثالية بين الذكاء والسرعة.

"العقل الخارق" (ViT-S & ViT-L): هذه هي النماذج الأكثر ذكاءً. يمكنها رؤية أرفع الأغصان بدقة مذهلة.
- العائق: إنها تشبه سيارة فورمولا 1 بمحرك ثقيل. إنها ذكية جداً لدرجة أنها تستغرق وقتاً طويلاً في التفكير. على كمبيوتر الدرون الصغير، لا "ترمِش" (تحدث رؤيتها) إلا حوالي مرتين في الثانية. هذا بطيء جداً لطائرة بدون طيار تطير بسرعة؛ فبحلول الوقت الذي تنتهي فيه من التفكير، قد تكون قد اصطدمت بالفعل.
"عقول الجيب" (PruneStereo & PruneNano): هذه نماذج صغيرة وخفيفة الوزن. هي سريعة للغاية، حيث تُحدث رؤيتها 7-8 مرات في الثانية.
- العائق: إنها تشبه طفلاً صغيراً يستخدم آلة حاسبة. هي سريعة، لكنها ترتكب أخطاء كبيرة. قد تظن أن الغصن يبعد متراً واحداً بينما هو في الواقع يبعد مترين. إذا تصرفت الدرون بناءً على ذلك، فستصطدم.
نموذج "غولدي لوكس" (النموذج المتوازن - PrunePlus): هذا هو بطل القصة الجديد. بنى الباحثون نسخة وسطية. هي ليست مثالية مثل "العقل الخارق"، لكنها أسرع بكثير.
- النتيجة: هي تُحدث رؤيتها حوالي 3.3 مرة في الثانية. قد لا تكون مثالية (قد تخطئ ببضعة بوصات)، لكنها سريعة بما يكفي للحفاظ على سلامة واستقرار الدرون أثناء اقترابها من الغصن.

3. الاختبار في العالم الحقيقي: من لعبة الفيديو إلى الواقع

بعد التدريب في لعبة الفيديو، وضعوا النماذج على كمبيوتر درون حقيقي (NVIDIA Jetson).

الاختبار: عرضوا على الذكاء الاصطناعي صوراً لأشجار حقيقية لم يرها من قبل.
النتيجة: استطاع نموذج "الغولدي لوكس" (PrunePlus) النظر إلى صورة حقيقية وتحديد الأجزاء التي تمثل أغصاناً والأجزاء التي تمثل السماء بشكل صحيح، رغم أنه لم يرَ سوى أشجار من ألعاب الفيديو. هذا يثبت أن التدريب قد نجح!

4. الحكم النهائي: لماذا السرعة أهم من المثالية

تخلص الورقة البحثية إلى أنه بالنسبة لدرون يقوم بتقليم الأشجار، فإن كونك "جيداً بما يكفي" وسريعاً أفضل من كونك مثالياً وبطيئاً.

التشبيه: تخيل أنك تقود سيارة في الضباب.
- إذا كان لديك نظام GPS يخبرك بمكانك بدقة، ولكنه يُحدث بياناته مرة واحدة كل 10 ثوانٍ، فقد تصطدم لأن السيارة تحركت أثناء انتظارك للتحديث التالي.
- إذا كان لديك GPS يُحدث بياناته كل ثانية ولكنه غير دقيق تماماً (ربما يخطئ بـ 5 أمتار)، فلا يزال بإمكانك القيادة بأمان لأنك تحصل على تحديثات مستمرة لتعديل توجيهك.

الفائز: نموذج DEFOM-PrunePlus.
إنه يحقق التوازن المثالي. فهو سريع بما يكفي لمنح الدرون تحديثات مستمرة أثناء طيرانه نحو الغصن، مما يسمح للدرون بالتباطؤ والقص بأمان. "العقل الخارق" بطيء جداً ليكون مفيداً في الوقت الحالي، و"عقول الجيب" غير دقيقة بما يكفي لتكون آمنة.

ملخص

بنى الباحثون لعبة فيديو لتعليم درون كيفية رؤية أغصان الأشجار. اختبروا خمسة أنواع من "الأدمغة" ووجدوا أن "الدماغ المتوسط" هو الأفضل لهذه المهمة. فهو سريع بما يكفي للحفاظ على سلامة الدرون وذكي بما يكفي للعثور على الغصن، مما يثبت أن الحل غير المثالي ولكنه السريع يكون أحياناً أفضل من الحل المثالي ولكن البطيء.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "تقدير المسافة في الوقت الفعلي من الفرع إلى الأداة لتقليم الأشجار بواسطة الطائرات بدون طيار ذاتية القيادة: قياس أداء خمسة متغيرات من نموذج DEFOM-Stereo من المحاكاة إلى النشر على منصة Jetson."

1. بيان المشكلة

يعد تقليم الأشجار ذاتي القيتم باستخدام الطائرات بدون طيار (UAVs) مهمة حرجة من حيث السلامة، تتطلب من نظام الإدراك الموجود على متن الطائرة تقدير المسافة المترية بين أداة القطع وفروع الأشجار الرفيعة في الوقت الفعلي.

التحدات:
- الهندسة: الفروع رفيعة، وتتعرض لحجب ذاتي عالٍ، وغالبًا ما تشغل بكسلات قليلة فقط، مما يجعل من الصعب معالجتها عبر تقنيات المطابقة المجسمة (stereo matching) القياسية.
- البيئة: تتضمن المشاهد أنسجة لحاء متكررة، وأوراقًا شفافة، وتباينات قوية في العمق مقابل خلفيات السماء.
- القيود: يجب أن يعمل النظام على أجهزة مدمجة (NVIDIA Jetson) مع متطلبات صارمة لوقت الاستجابة (latency) لدعم التحكم في الحلقة المغلقة (الاقتراب، المحاذاة، والتفعيل دون تصادم).
- ندرة البيانات: الحصول على تسميات عمق كثيفة وحقيقية للفروع الرفيعة في الغابات الواقعية أمر غير عملي.

2. المنهجية

أ. توليد البيانات الاصطناعية (UE5)

للتغلب على نقص تسميات العمق في العالم الحقيقي، أنشأ المؤلفون مجموعة بيانات اصطناعية مخصصة للمهمة باستخدام محرك Unreal Engine 5 (UE5):

الإعداد: نظام كاميرا مجسمة (stereo camera rig) من نوع ZED Mini.
المحتوى: 115 حالة فريدة للأشجار تم التقاطها من ثلاثة زوايا رؤية (للأعلى، للأسفل، وموازية) عند مسافة ثابتة تبلغ مترين.
النطاق: 5,520 زوجًا مجسمًا مع خرائط عمق EXR كثيفة ودقيقة، مما يوفر إشرافًا مثاليًا لهندسة الفروع الرفيعة.
التقسيم: 80% للتدريب، 10% للتحقق، و10% للاختبار.

ب. بنية النموذج والمتغيرات

تختبر الدراسة خمسة متغيرات من نموذج DEFOM-Stereo (وهو نموذج مطابقة مجسم يعتمد على نماذج التأسيس Foundation Models، يجمع بين أولويات DINOv2 والارتباط المجسم). تمثل هذه المتغيرات طيفًا يتراوح من السعة الكاملة إلى الضغط العالي:

DEFOM-Stereo ViT-S و ViT-L (السعة الكاملة):
- تستخدم هياكل DINOv2 كاملة الدقة (ViT-S: حوالي 21 مليون معلمة؛ ViT-L: حوالي 304 مليون معلمة).
- تتميز بـ مفككات تشفير DPT مزدوجة مع حوالي 66 طبقة تلافيفية (دمج RefineNet) و3 مستويات من تحسين ConvGRU.
- الهدف: تحديد سقف الدقة.
DEFOM-PrunePlus (المتوازن):
- الاستراتيجية: "تقليل الكمية، والحفاظ على الجودة".
- يحتفظ بـ DINOv2 كامل الدقة وGRU بكامل قوته.
- يستبدل مفكات تشفير DPT المزدوجة بمفك تشفير واحد EnhancedDPTDecoder مكون من 14 طبقة.
- يقلل عدد التكرارات (iterations) لكنه يحافظ على قدرة تمثيل عالية.
DEFOM-PruneStereo (ضغط متوسط):
- الاستراتيجية: "التقليل، ولكن لا الاستبدال".
- يقلل دقة مدخلات DINOv2 (بنسبة 0.75x)، ويستخدم FastDPTDecoder مكون من 6 طبقات، ويضيق قنوات المشفر (encoder)، ويقلل مستويات GRU.
DEFOM-PruneNano (ضغط هجومي):
- الاستراتيجية: "الاستبدال ببدائل فعالة".
- يستخدم دقة 0.5x لـ DINOv2، ونماذج Ghost (لتقليل FLOPs بنسبة ~50%)، وTurboDecoder مكون من 3 طبقات، ومشفرات Ghost مشتركة (SharedGhostEncoders)، وGRUs ذات تلافيف عميقة منفصلة (DS-GRU).

ج. النشر والتقييم

الأجهزة: NVIDIA Jetson Orin Super (16 جيجابايت) مثبت على طائرة بدون طيار.
الاستنتاج (Inference): تم قياسه في بيئة PyTorch الأصلية (FP32) وتحسين TensorRT (FP16).
المقاييس: خطأ نقطة النهاية (EPE)، D1-all، $\delta_1$ (الدقة ضمن 1.25x)، متوسط الخطأ المطلق للعمق (Depth MAE بالسم)، ومعدل الإطارات (FPS).
التحقق: استنتاج صفري (Zero-shot inference) على صور فوتوغرافية حقيقية لأغصان الأشجار لاختبار انتقال التعلم من المحاكاة إلى الواقع (Sim-to-Real).

3. المساهمات الرئيسية

مجموعة بيانات اصطناعية مخصصة للمهمة: مجموعة بيانات عالية الدقة من UE5 تحتوي على 5,520 زوجًا مجسمًا وإشراف عمق دقيق للفروع الرفيعة، مما يعالج مشكلة نقص التوسيم في روبوتات الغابات.
اختبار مقارن لخمسة نماذج: مقارنة شاملة لمتغيرات Stereo القائمة على النماذج التأسيسية، مما كشف عن تسلسل هرمي ثلاثي المستويات للدقة و"منحدر دقة حاد" عند ضغط مفك تشفير DPT المعقد.
DEFOM-PrunePlus: تقديم متغير متوازن ومبتكر يحافظ على المكونات الهيكلية الحرجة (DINOv2 كامل الدقة، وGRU قوي) مع ضغط مفك التشفير، محققًا أفضل مقايضة قابلة للتطبيق.
تحليل النشر في العالم الحقيقي: أدلة تجريبية على أن المقايضة بين الدقة والسرعة غير خطية؛ فالنماذج ذات معدل الإطارات العالي ولكن بدقة عمق منخفضة (PruneStereo/Nano) تعتبر غير آمنة لتفعيل الطائرة بدون طيار، بينما النموذج الأكثر دقة (ViT-S) بطيء جدًا للتحكم في الوقت الفعلي.
التحقق من انتقال المحاكاة إلى الواقع (Sim-to-Real): إثبات أن النماذج المدربة فقط على بيانات اصطناعية يمكنها الحفاظ على استمرارية الفروع وترتيب العمق في الصور الحقيقية، مما يؤكد صحة مسار التدريب الاصطناعي فقط.

4. النتائج

الاختبار الاصطناعي (مجموعة اختبار UE5)

ViT-S (كامل): أفضل دقة إجمالية (EPE: 1.74 px، Depth MAE: 23.40 سم، $\delta_1$ : 95.90%).
ViT-L: أقل دقة في EPE (1.63 px) ولكنه أسوأ في أداء العمق المتري وتكلفة حسابية أعلى بكثير.
PrunePlus: دقة متوسطة (EE: 5.87 px، Depth MAE: 64.26 سم، $\delta_1$ : 87.59%).
PruneStereo/Nano: تدهور كبير. نموذج PruneNano لديه Depth MAE أكبر من 1 متر، مما يجعله غير قابل للاستخدام.

النشر على Jetson Orin (TensorRT FP16)

النموذج	FPS	Depth MAE (سم)	القابلية للاستخدام
ViT-S	~2.2 FPS	23.40	بطيء جدًا (تأخير ~450ms يحد من التحكم في الحلقة المغلقة)
ViT-L	~0.8 FPS	26.94	غير عملي
PrunePlus	~3.3 FPS	64.26	موصى به (متوازن للإرشاد أثناء الاقتراب)
PruneStereo	~6.9 FPS	57.63	غير آمن (خطأ عالٍ رغم السرعة)
PruneNano	~8.5 FPS	112.16	غير آمن (عمق غير موثوق)

رؤية نقدية: عند سرعة اقتراب الطائرة (0.3 م/ث)، يترك نموذج ViT-S (بمعدل 2.2 FPS) حوالي 13.5 سم من المسافة غير المراقبة لكل إطار، وهو أمر محفوف بالمخاطر عند التفعيل النهائي. أما PrunePlus (بمعدل 3.3 FPS) فيقوم بالتحديث كل ~9 سم، مما يوفر هامش استجابة كافيًا رغم دقة العمق الأقل حدة.
الانتقال الصفري (Zero-Shot Transfer): نجح كل من ViT-S و PrunePlus في الحفاظ على استمرارية الفروع وترتيب العمق في الصور الحقيقية، بينما أظهرت المتغيرات الخفيفة تفتتًا في النتائج.

5. الأهمية والخلاصة

التوصية العملية: تم تحديد DEFOM-PrunePlus كالحل الأمثل لعمليات تقليم الأشجار الحالية بواسطة الطائرات بدون طيار. فهو يقدم أفضل توازن بين زمن الاستجابة (3.3 FPS) والسلامة (Depth MAE ~64 سم)، مما يسمح بإرشاد الاقتراب بشكل مستجيب.
الرؤية الهيكلية: تثبت الدراسة أن دمج تعدد المقاييس (multi-scale RefineNet fusion) في مفك تشفير DPT أمر بالغ الأهمية لحل هندسة الفروع الرفيعة. الضغط الهجومي (إزالة هذه الطبقات) يؤدي إلى فشل كارثي في تقدير العمق، بغض النظر عن معدل الإطارات.
المسار المستقبلي: يشير المؤلفون إلى أن التسريع المستقبلي للأجهزة (مثل INT8 quantization أو الجيل القادم من Jetson) يمكن أن يجعل نموذج ViT-S عالي الدقة قابلًا للنشر. وحتى ذلك الحين، يظل PrunePlus هو المعيار العملي، والذي يمكن تحسينه لاحقًا عبر الضبط الدقيق (fine-tuning) بالبيانات الواقعية لتقليص الفجوة المتبقية بين النطاقات (domain gap).

يملأ هذا العمل الفجوة بين النماذج التأسيسية عالية الدقة والقيود الصارمة لوقت الاستج dalam الأنظمة المدمجة، مما يوفر خارطة طريق ملموسة لنشر التحكم القائم على الرؤية في عمليات الغابات الخطرة.