⚡ electrical engineering

Relative State Estimation using Event-Based Propeller Sensing

تقدم هذه الورقة إطار عمل لتقدير الحالة النسبية اللامركزي لأسراب الطائرات رباعية المراوح التي تستفيد من الكاميرات الحدثية لتتبع حركة المراوح، واستخراج بيانات التردد والاتجاه من رحلات خارجية واقعية للتغلب على مشكلات زمن التأخير، وغموض المقياس، والقيود البصرية لطرق الكاميرا أحادية العدسة التقليدية.

المؤلفون الأصليون: Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

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 تخمين سرعة واتجاه صديق يطير بطائرة بدون طيار (درون) أمامك مباشرة، لكن لا يمكنك التحدث إليه، والرياح تهب بقوة لدرجة أن رؤيتك أصبحت مشوشة.

هذه هي المشكلة التي تحلها هذه الورقة البحثية. فهي تُعلم سرباً من الطائرات بدون طيار كيف "ترى" وتفهم بعضها البعض دون الحاجة إلى كاميرا مثالية أو اتصال لاسلكي.

إليك تفصيل حلهم الذكي، باستخدام تشبيهات بسيطة:

1. المشكلة: كاميرا "اللقطة الضبابية"

تستخدم معظم الطائرات بدون طيار كاميرات قياسية، وهي تشبه التقاط صورة 30 مرة في الثانية. إذا كانت الطائرة تدور مراوحها بسرعة فائقة، أو إذا كان ضوء الشمس ساطعاً، أو إذا كان هناك تشوش ناتج عن الحركة، فإن هذه الكاميرات تصاب بالارتباك. إنها تشبه مصوراً يحاول التقاط صورة لأجنة طائر طنان؛ والنتيجة مجرد فوضى ضبابية. كما أنها تواجه صعوبة في تحديد مدى البعد (مشكلة "المقياس").

2. الحل: "كاميرا الأحداث" (العين فائقة الحساسية)

استخدم المؤلفون كاميرا أحداث (Event Camera) خاصة. فكر في هذا ليس ككاميرا تلتقط صوراً، بل كـ حارس أمن عالي السرعة لا يرمش إلا عندما يتحرك شيء ما.

كيف تعمل: بدلاً من تسجيل صورة كاملة، تسجل فقط "أحداثاً" صغيرة (تغير سطوع البكسلات) بدقة الميكروثانية.
التشبيه: إذا كانت الكاميرا القياسية عبارة عن تسجيل فيديو، فإن كاميرا الأحداث هي عبارة عن تدفق من الرسائل النصية تقول: "شيء ما تحرك هنا في الساعة 10:00:01.0001!". إنها تتجاهل الخلفية الثابتة وتركز فقط على الحركة. وهذا يجعلها سريعة للغاية ومحصنة ضد الضوء الساطع أو تشوش الحركة.

3. السر الخفي: الاستماع إلى "الطنين"

الفكرة الجوهرية هي مراقبة المراوح (الشفرات الدوارة) للطائرة الأخرى.

المروحة كبندول (Metronome): عندما تدور مراوح الطائرة، فإنها تخلق نمطاً إيقاعياً من الأحداث في الكاميرا، مثل دقات البندول.
السحر: من خلال عدّ سرعة هذه "الدقات"، يمكن للطائرة المراقِبة حساب سرعة دوران المراوح (RPM) بدقة.
لماذا يهم هذا؟ في الفيزياء، تخبرك سرعة المراوح بمدى مقدار الدفع (القوة الصاعدة) الذي تولده الطائرة. إذا عرفت مقدار الدفع، يمكنك تخمين مدى سرعة تسارع الطائرة صعوداً أو هبوطاً.

4. نظام "الدماغين"

تصف الورقة نظاماً يستخدم "دماغين" مختلفين (مرشحات رياضية) يعملان معاً:

الدماغ (أ) (متتبع الموقع): يراقب هذا الدماغ مكان وجود الطائرة في الكاميرا ويدمج ذلك مع بيانات الدفع المستمدة من سرعة المروحة.
- التشبيه: تخيل أنك تراقب سيارة تبتعد عنك. يمكنك رؤية مكانها، لكنك لا تعرف ما إذا كانت تسرع أم تبطئ. ولكن إذا سمعت صوت المحرك يرتفع (سرعة المروحة)، فأنت تعرف بالضبط مدى قوة دفعها. يستخدم هذا الدماغ "صوت المحرك" هذا للتنبؤ بحركة الطائرة بشكل أفضل بكما لو كنت تنظر إليها فقط.
الدماغ (ب) (متتبع الميل): يراقب هذا الدماغ شكل المروحة الدوارة.
- التشبيه: عندما تكون العملة المعدنية الدوارة مسطحة، تبدو كدائرة. وعندما تميلها، تبدو كشكل بيضاوي (إهليلجي). من خلال قياس مدى "انضغاط" المروحة الدوارة، يمكن للنظام معرفة ما إذا كانت الطائرة تميل لليسار، أو اليمين، أو للأمام، أو للخلف.

5. النتيجة: سرب لامركزي

اختبرت الورقة البحثية هذا النظام على طائرات بدون طيار حقيقية تطير في الهواء الطلق.

الاختبار: قامت طائرة (المراقِبة) بمراقبة طائرة أخرى (الهدف) وهي تطير حولها، وتقوم بحركات دائرية وانزياحات جانبية.
النتيجة: قدر النظام سرعة وميل الطائرة الأخرى بدقة عالية جداً (أقل من 3% نسبة خطأ في سرعة المروحة).
لماذا يعد هذا أمراً كبيراً: عادةً ما تحتاج الطائرات بدون طيار إلى التواصل فيما بينها عبر الراديو لمعرفة مواقعها. هذا النظام يسمح لها بأن تكون "لامركزية". يمكنها الطيران في سرب، وتجنب الاصطدامات، والحفاظ على التشكيل بمجرد مراقبة مراوح بعضها البعض، حتى لو تعطلت أجهزة الراديو الخاصة بها أو كانت البيئة فوضوية.

الملخص

فكر في هذه التكنولوجيا على أنها تعليم الطائرات بدون طيار كيف ترقص معاً من خلال الاستماع إلى إيقاع أحذيتها. بدلاً من الحاجة إلى خريطة أو مكالمة هاتفية للتنسيق، فإنها تراقب فقط الشفرات الدوارة لجيرانها، وتعد الدقات، وتعرف فوراً أين يتواجد الجميع وإلى أين يتجهون. إنها تحول عالماً بصرياً فوضوياً وصاخباً إلى محادثة إيقاعية دقيقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقدير الحالة النسبية باستخدام استشعار المراوح القائم على الأحداث (Event-Based Propeller Sensing)."

1. بيان المشكلة

تتطلب أسراب الطائرات بدون طيار (UAVs) ذاتية القيادة، متعددة الوكلاء، تقديرًا دقيقًا ومنخفض التأخير للحالة النسبية لتنسيق الطيران التشكيلي، وتجنب الاصطدامات، والحفاظ على الوضعيات. تعتمد النهج التقليدية على الكاميرات أحادية العين (monocular) القائمة على الإطارات (frame-based)، والتي تعاني من:

التأخير العالي والدقة الزمنية المنخفضة: عدم القدرة على التقاط الديناميكيات السريعة.
غموض المقياس (Scale Ambiguity): صعوبة تحديد العمق المطلق دون مستشعرات إضافية.
الحساسية البيئية: تدهور الأداء تحت تأثير ضبابية الحركة (motion blur)، والتغيرات الشديدة في الإضاءة، والازدحام في الخلفية.

علاوة على ذلك، فإن الاعتماد على التواصل الصريح لمشاركة الحالة يفرض ثغرات تتعلق بالتأخير وفقدان الحزم البرمجية. تعالج هذه الورقة الحاجة إلى نظام تحديد موقع نسبي لامركزي قائم على الرؤية يعمل بمتانة في البيئات الصعبة من خلال الاستفادة من كاميرات الأحداث (المستشعرات العصبية) واستغلال الحركة الدورية لمراوح الطائرات الرباعية (quadrotors).

2. المنهجية

يقوم الإطار المقترح بتقدير الحالة النسبية (الموقع، السرعة، الالتفاف "roll"، والميل "pitch") لطائرة رباعية مستهدفة باستخدام طائرة مراقبة (observer quadrotor) مزودة بكاميرا أحداث موجهة للأسفل. يعمل النظام عبر مسار معالجة متعدد المراحل:

أ. معالجة بيانات الأحداث وكشف المراوح

تمثيل البيانات: تخرج كاميرا الأحداث تدفقات غير متزامنة من الأحداث $(x, y, t, p)$ الناتجة عن تغيرات السطوع اللوغاريتمية.
التقطيع الزمني (Temporal Chunking): تتم معالجة البيانات في كتل زمنية قدرها 10 مللي ثانية.
الكشف: تم تنفيذ طريقتين لتحديد مناطق الاهتمام (ROI) للمراوح:
1. المكونات المتصلة (Connected Components - CC): تراكم الأحداث في خريطة كثافة ثنائية، وتطبيق التآكل المورفولوجي (morphological erosion)، وتسمية الكتل.
2. تجميع HDBSCAN: نهج تجميع يعتمد على الكثافة، يعامل الأحداث كنقاط ثنائية الأبعاد، وهو مناسب للمظاهر غير الدائرية عند الزوايا المائلة.
التتبع: يتم تتبع المراوح المكتشفة عبر الزمن باستخدام إطار عمل Norfair، مما يحافظ على المعرفات (IDs) حتى أثناء حالات الاحتجاب القصيرة عبر التنبؤ بالحركة.

ب. تقدير التردد (RPM)

استخراج الإشارة: داخل مناطق الاهتمام (ROI) للمراوح المتتبعة، يتم تقسيم الأحداث زمنياً لإنشاء إشارة تمثل معدلات مرور الشفرات.
حساب التردد: يتم تطبيق تحويل فوريه السريع (FFT) على أعداد الأحداث المجمعة لتحديد ذروة التردد المهيمن.
التنعيم: يستخدم مرشح كالمان (Kalman Filter) لتنعيم تقديرات التردد الخام لرفض القيم المتطرفة وضمان الاتساق الزمني.

ج. تقدير الحالة النسبية (مرشحات كالمان المزدوجة)

يستخدم النظام اثنين من مرشحات كالمان المترابطة:

تقدير الوضعية (Orientation Estimation KF):
- المدخلات: فروق تردد المراوح (المحركات اليسرى مقابل اليمنى) والبدائيات الهندسية.
- الآلية:
  - الالتفاف والميل (Roll/Pitch): يُشتقان من الفرق في الدفع بين المحركات (عدم التوازن بين اليسار واليمين يخلق سرعة زاوية للالتفاف).
  - القيد الهندسي: تظهر قرص المروحة كشكل بيضاوي في تدفق الأحداث. باستخدام المنظور لـ "واحد-إهليلج" (Perspective-1-Ellipse - P1E)، يقوم النظام بإعادة إسقاط الإهليلج الملائم لاستعادة محور $z$ الخاص بجسم الطائرة (اتجاه الدفع) في إطار العالم.
- المخرجات: تقدير الالتفاف ( $\phi$ ) والميل ( $\theta$ ). ملاحظة: لا يمكن ملاحظة الانعراج (Yaw) من هندسة الإهليلج وحدها.
تقدير الموقع (Position Estimation KF):
- المدخلات: مقدار الدفع (المشتق من مجموع مربعات عدد الدورات في الدقيقة $\Omega^2$ ) والموقع المستمد من الكاميرا.
- نموذج الديناميكا: يستخدم نموذجاً حركياً حيث يتناسب إجمالي الدفع $T \propto \sum \Omega_i^2$ . يتم محاذاة متجه الدفع مع محور $z$ المقدر للجسم من مرشح الوضعية.
- تحديث القياس: يتم تقدير العمق أحادي العين باستخدام المسافة الفيزيائية المعروفة بين المراوح والتباعد بين البكسلات (تباعد شبيه بالرؤية المجسمة/Stereo-like disparity).
- المخرجات: تقدير الموقع ثلاثي الأبعاد ( $p$ ) والسرعة ( $v$ ).

3. المساهمات الرئيسية

استشعار المراوح القائم على الأحداث: إطار عمل مبتكر يعامل دوران المراوح ليس فقط كميزة بصرية، بل كمصدر مباشر للبيانات الكينماتيكية (الدفع والسرعة الزاوية) لتقدير الحالة.
التحديد المحلي اللامركزي: يتيح تحديد الموقع النسبي دون الحاجة لتواصل صريح، بالاعتماد فقط على الإدراك البصري للديناميكيات الميكانيكية للهدف.
المتانة تجاه البيئة: يثبت أن كاميرات الأحداث، بفضل دقتها الميكروثانيةية ونطاقها الديناميكي العالي، تتغلب على ضبابية الحركة ومحدودية الإضاءة التي تواجهها الكاميرات التقليدية في سيناريوهات الأسراب الخارجية.
الكشف ثنائي الوضع: يثبت أن كل من "المكونات المتصلة" و"تجميع HDBSCAN" يعطيان دقة متقاربة جداً في تقدير التردد، مما يسمح بالمفاضلة بين التكلفة الحسابية (CC أسرع) والقدرة على التكيف الهندسي (HDBSCAN يتعامل بشكل أفضل مع الزوايا المائلة).

4. النتائج التجريبية

تم تقييم النظام في خمسة تسلسلات طيران واقعية خارجية تضمنت تشكيلاً من "قائد ومتابع". تم توفير الحقيقة الأرضية (Ground Truth) بواسطة نظام RTK-GNSS وجهاز IMU.

دقة تقدير التردد:
- حقق متوسط خطأ مطلق مئوي (MAPE) بنحو 2.7% لتقدير عدد دورات المراوح (RPM).
- أظهرت كلتا طريقتي الكشف فرقاً ضئيلاً في دقة الـ RPM، مما يؤكد أن مسار استخراج التردد هو العامل المهيمن، وليس طريقة الكشف المكاني.
أداء تقدير الحالة:
- الموقع: متوسط جذر متوسط المربعات (RMSE) بلغ 0.30م (x)، و0.12م (y)، و0.90م (z). ويُعزى الخطأ الأعلى في محور $z$ إلى عدم اليقين في العمق أحادي العين.
- السرعة: متوسط RMSE أقل من 0.5 م/ث عبر جميع المحاور.
- الوضعية: متوسط RMSE بلغ 5.72 درجة (الالتفاف) و9.18 درجة (الميل). كان تقدير الالتفاف أكثر دقة من الميل بسبب قوة ملاحظة الفروقات بين المحركات اليسرى واليمنى في المناورات المختبرة.
المتانة: حافظ النظام على تتبع مستقر حتى أثناء المناورات الجانبية العنيفة، رغم أن الأداء تراجع قليلاً عند احتجاب المراوح جزئياً أو خروجها من الإطار.

5. الأهمية والخاتمة

يُظهر هذا العمل أن كاميرات الأحداث يمكن أن تعمل كمستشعر أساسي لتنسيق الأسراب اللامركزي، مما يحل محل أو يعزز روابط الاتصال. من خلال استخراج الديناميكيات الفيزيائية (RPM) مباشرة من التدفق البصري، يوفر النظام تقديراً للحالة "مبنياً على الفيزياء" يكون متيناً تجاه الفوضى البصرية والحركة عالية السرعة.

يقدم هذا النهج مساراً لـ أسراب ذاتية القيادة مرنة في البيئات التي تفتقر لنظام GPS أو تعاني من تدهور في الاتصالات (مثل: عمليات الإغاثة في الكوارث، أو استكشاف الكواكب). ويهدف العمل المستقبلي إلى التوسع في هذا النموذج ليشمل سيناريوهات متعددة للطائرات الرباعية وتحسين استخراج البدائيات الهندسية من الأحداث الدورية.