EdgeLPR: On the Deep Neural Network trade-off between Precision and Performance in LiDAR Place Recognition

ملخص تقني: EdgeLPR

بيان المشكلة
تعتمد الملاحة الذاتية طويلة الأمد بشكل كبير على التعرف على الأماكن لتحقيق إغلاق الحلقة (loop closure) والحفاظ على خرائط متسقة. وبينما أدى التعلم العميق إلى تحسين دقة استخراج الميزات المميزة من البيانات الحسية بشكل كبير، فإن نشر هذه النماذج على منصات الذكاء الاصطنافي الحافية (EdgeAI) محدودة الموارد يظل عائقاً حرجاً. تتطلب النهج التقليدية القائمة على ليدار (LiDAR) غالباً تخزين ومقارنة سحب نقطية ضخمة، مما يؤدي إلى متطلبات ذاكرة وحوسبة باهظة. علاوة على ذلك، فإن النشر المتزامن لشبكات عميقة متعددة (لتقدير الحالة، ورسم الخرائط، والكشف، إللخ) يفاقم هذه القيود. هناك نقص في التحليل المنهجي حول كيفية تأثير البنى خفيفة الوزن ومقايضات الدقة العددية على أداء التعرف على الأماكن باستخدام الليدار، لا سيما عند الانتقال من الحسابات ذات الفاصلة العائمة عالية الدقة إلى الاستدلال بالأعداد الصحيحة منخفضة الدقة.

المنهجية
يقترح البحث إطار عمل EdgeLPR، وهو إطار عمل فعال للتعرف على الأماكن القائم على الليدار، والذي يستفيد من تمثيلات "منظور عين الطائر" (BEV) لتمكين استخدام الشبكات العصبية الالتفافية (CNNs) خفيفة الوزن القائمة على الصور.

• التمثيل: بدلاً من معالجة السحب النقطية ثلاثية الأبعاد الخام، يقوم النظام بإسقاط مسحات الليدار في صور BEV بأبعاد 256×256. يقلل هذا من أبعاد المدخلات ويسمح باستخدام هياكل خلفية (backbones) تلافيفية ثنائية الأبعاد فعالة.
• البنية: يستخدم إطار العمل مخطط واصف موحد. فهو يوظف ثلاث بنيات خلفية خفيفة الوزن وممثلة: MobileNetV3، وShuffleNetV2، وResNet18. وخلافاً للأعمال السابقة التي تعتمد على رؤوس تجميع معقدة (مثل NetVLAD)، تقوم هذه النماذج باستخراج الميزات، وتطبيق التجميع العالمي التكيفي، ثم تمرير النتيجة عبر طبقة متصلة بالكامل (FC) ضحلة لتوليد واصف عالمي مدمج. يعزل هذا التصميم مساهمة البنية الخلفية ويضمن حجماً ثابتاً للواصف لضمان مقارنة عادلة.
• استراتيجية التكميم (Quantization): لتقييم المقايضة بين الكفاءة والدقة، قام المؤلفون بقياس النماذج تحت ثلاثة أنظمة دقة: FP32 (الدقة الكاملة)، وFP16 (الدقة النصفية)، وINT8 (الأعداد الصحيحة 8-بت). يستخدم تقييم INT8 استراتيجية تكميم ما بعد التدريب الثابت (PTQ)، حيث يتم تحديد عوامل القياس ونقاط الصفر عبر مرحلة معايرة لتقليل خطأ إعادة البناء باستخدام مجموعة فرعية ممثلة من البيانات.
• التدريب والتقييم: تم تدريب النماذج على مجموعة بيانات KITTI (التسلسل '00') باستخدام هدف فقد الثلاثي (triplet loss) مع تعزيز دوران المستوى داخل المستوي (in-plane rotation). يتم إجراء التقييم على مجموعتي بيانات:
  • KITTI (التسلسلات 02، 05، 06): للتعرف على المتانة قصيرة المدى داخل التسلسل من حيث تغير زاوية الرؤية.
  • NCLT: للتعرف على المتانة طويلة المدى من حيث التغيرات الموسمية والمظهرية بين التسلسلات.
    يتم قياس الأداء باستخدام Recall@k (k=1, 5, 10, 20)، وF1-score، وPR AUC، وMean Reciprocal Rank (MRR).

المساهمات الرئيسية

1. إطار تقييم مبتكر: تصميم والتحقق من إطار عمل قابل للتكرار ومنضبط لتقييم الشبكات العصبية خفيفة الوزن تحت مستويات تكميم متفاوتة خصيصاً للتعرف على الأماكن.
2. تقييم كمي شامل: تحليل منهجي للبنيات خفيفة الوزن الحديثة (MobileNetV3، ShuffleNetV2، ResNet18) عبر دقات مختلفة وتعقيدات بيئية متنوعة (قصيرة المدى مقابل طويلة المدى).
3. أداة تجريبية: توفير رؤى قائمة على البيانات لدعم خيارات التصميم المستنيرة بالهاردوير والأداء لأنظمة الإدراك الروبوتية من الجيل التالي، وتحديداً معالجة الفجوة في فهم كيفية تفاعل تمثيل المدخلات وتعقيد النموذج مع قيود الموارد.

النتائج
تكشف التجارب عن مقايضات متميزة بين الدقة، والمتانة، والكفاءة:

• FP16 مقابل FP32: عبر جميع البنيات، تحقق FP16 نتائج مطابقة تقريباً لـ FP32، مما يوفر مكسباً "مجانيّاً" في كفاءة الذاكرة وسرعة الحوسبة دون المساس بالدقة.
• تأثير INT8: يعتمد التدهور الناتج عن تكميم INT8 بشكل كبير على البنية المعمارية.
  • MobileNetV3: يظهر أعلى دقة في حالة الفاصلة العشارية، لكنه يعاني من أكبر انخفاض في الأداء تحت INT8 (على سبيل المثال، ينخفض Recall@1 في KITTI من ~0.90 إلى ~0.75).
  • ShuffleNetV2: يظهر التوازن الأكثر ملاءمة، حيث يحافظ على أداء تنافسي مع حد أدنى من التدهور تحت INT8 مع توفير أصغر بصمة ذاكرة (~2.17 ميجابايت في INT8).
  • ResNet18: يظهر أقوى متانة تجاه تكميم INT8 وتغيرات المظهر طويلة المدى (مجموعة بيانات NCLT)، مع تدهور طفيف في الأداء. ومع ذلك، فإن بصمة الذاكرة الكبيرة الخاصة به (~11.15 ميجابايت في INT8) تحد من ملاءمته للمنصات شديدة القيود.
• سلوك الاستدلال: من المثير للاهتمام أن كفاءة المعلمات لا تترجم دائماً إلى كفاءة في الهاردوير. على سبيل المثال، أظهر ShuffleNetV2 قدرة محدودة على توسيع الإنتاجية (throughput scalability) تحت تنفيذ CPU بنظام INT8 مقارنة بأدائه في الفاصلة العشارية، مما يشير إلى أن الكفاءة المعمارية من حيث عدد المعلمات لا تضمن بالضرورة استخداماً فعالاً للهاردوير في جميع السياقات.

الأهمية والادعاءات
يدعي البحث توفير أساس مبدئي لتطوير خطوط معالجة للتعرف على الأماكن مدفوعة بالذكاء الاصطناعي وفعالة في استهلاك الموارد. ويجادل بأن البنية المثلى ليست عالمية بل تعتمد على قيود محددة:

• إذا كانت الأولوية هي أقصى دقة مع توفر موارد متوسطة، فإن MobileNetV3 في نظام FP16 يعد مرشحاً قوياً.
• بالنسبة لميزانيات الذاكرة والطاقة الصارمة، يوفر ShuffleNetV2 مع INT8 الحل الأكثر كفاءة، حيث يحقق أداءً تنافسياً مع تقليل الذاكرة بمقدار ~4 أضعاف مقارنة بـ FP32.
• تم تسليط الضوء على ResNet18 لمتانته تجاه التكميم والتغيرات الزمنية، رغم أن حجمه يحد من إمكانية التطبيق في الأنظمة منخفضة الطاقة.

يؤكد المؤلفون أن المتانة تجاه التكميم وحدها ليست كافية؛ بل يجب أن تقترن بالكفاءة المعمارية. ويخلص العمل إلى أن التصميم المشترك للبنية، وأبعاد الواصف، والدقة العددية أمر ضروري للنشر القابل للتوسع على المنصات الروبوتية منخفضة الطاقة. ويُقترح في العمل المستقبلي استكشاف استراتيجيات التحسين المشترك، مثل التدريب الواعي بالتكميم (quantization-aware training) وتقليل أبعاد الواصف.