Operating Within the Operational Design Domain: Zero-Shot Perception with Vision-Language Models

ملخص تقني: العمل ضمن نطاق التصميم التشغيلي باستخدام نماذج الرؤية واللغة ذات القدرة على التعلم الصفري (Zero-Shot)

بيان المشكلة
يواجه الاعتماد الواسع لأنظمة القيادة الذاتية (ADS) قيوداً لا تقتصر فقط على القدرة التقنية، بل تمتد إلى الحاجة إلى التحقق من السلامة والامتثال للمعايير التنظيمية الصارمة. ويعد "نطاق التصميم التشغيلي" (ODD) مفهوماً مركزياً في هذه اللوائح، حيث يحدد الظروف البيئية والتشغيلية المحددة التي يُفترض للنظام العمل فيها بأمان. ويتطلب ضمان الامتثال لنطاق التصميم التشغيلي أنظمة إدراك قادرة على اكتشاف مجموعة واسعة من العناصر البيئية الثابتة والعابرة (مثل علامات الطريق، والظروف الجوية، واللافتات، وحالات السطح). إن النهج التقليدية التي تعتمد على نماذج إدراك مصممة لمهام محددة يدوياً هي نهج غير فعالة نظ been لطبيعة تصنيفات نطاق التصميم التشغيلي المتنوعة والمتطورة. وهناك حاجة ماسة لنظام إدراك مرن وقابل للتكيف يمكنه التعرف على عناصر نطاق التصميم التشغيلي المعقدة دون الحاجة إلى إعادة تدريب مكثفة، لا سيما للحالات النادرة أو المتطورة التي يصعب رسم خرائط لها بشكل استقصائي مسبق.

المنهجية
يتقصى المؤلفون إمكانية استخدام نماذج الرؤية واللغة (VLMs) للعمل كـ "مستشعرات نطاق تصميم تشغيلي ذات قدرة تعلم صفري". وتعتمد الدراسة تصميماً تجريبياً متعدد المراحل:

1. بناء مجموعة البيانات: قام المؤلفون بتنسيق مجموعة بيانات مخصصة، ODD-TAX-232، تضم 2,320 صورة تمثل 232 مفهوماً مختلفاً لنطاق التصميم التشغيلي. تم تصنيف هذه المفاهيم إلى خمس مجموعات: لافتات المرور، وعلامات الطريق، وعناصر المناظر الطبيعية، والظروف الجوية، وظروف التفعيل. تركز مجموعة البيانات على الميزات البيئية الدقيقة ذات الصلة بالبنية التحتية في أوروبا والمملكة المتحدة والولايات المتحدة، مع استبعاد الأجسام المتحركة لعزل قدرات الإدراك الثابتة.
2. تحسين التعلم الصفري (Zero-Shot Optimization): قبل مقارنة النماذج، أجرى المؤلفون دراسة استئصال (Ablation Study) على نموذج GPT-4o لتحديد استراتيجيات التلقين (Prompting) المثلى. واختبروا عدة مقاربات، تشمل:
   • الأساس (Baseline): قوائم التصنيف المسطحة وتعيين الأسماء المستعارة للعلامات.
   • التوجه نحو العمليات (Process-Oriented): التحسين الذاتي، والخطوات ثنائية المرحلة (مثل التصنيف المعتمد على الطريق)، وتفكيك الشخصية (Persona Decomposition) (إسناد أدوار متخصصة مثل "خبير طقس" أو "خبير لافتات").
   • تعزيزات الاستدلال: استخدام التلقين بسلسلة الأفكار (Chain-of-Thought - CoT) لفرض خطوات استدلال وسيطة.
   • التوليد المعزز بالاسترجاع (RAG): دمج قواعد معرفية خارجية لتقليل عدد الرموز (Tokens).
   • التسلسل (Chaining): خطوط أنابيب متعددة المراحل حيث تُستخدم مخرجات مرحلة ما لتوجيه المرحلة التالية.
3. تقييم النماذج: باستخدام أفضل استراتيجية تلقين (الشخصية + سلسلة الأفكار)، قيم المؤلفون أربعة نماذج رؤية ولغة:
   • نماذج عامة مغلقة المصدر: GPT-4o وGemini 2.5 Pro.
   • نماذج عامة مفتوحة المصدر: Llama 4 Maverick.
   • نماذج متخصصة مفتوحة المصدر: Molmo-72B.
4. المهام: غطى التقييم مهمتين:
   • التصنيف: تحديد ما إذا كانت الصورة تحتوي على عنصر محدد من الحقيقة الأرضية لنطاق التصميم التشغيلي (ويُقاس عبر الاستدعاء - Recall).
   • الكشف (Detection): تحديد موقع العنصر داخل الصورة باستخدام إحداثيات المربعات المحيطة (ويُقاس عبر الدقة - Precision، ودرجة F1، والدقة المكانية عبر متوسط خطأ L2). تم اختبار ذلك على كل من مجموعة ODD-TAX-232 المخصصة ومجموعة Mapillary Vistas (التي وفرت تسميات المربعات المحيطة).

المساهمات الرئيسية
تقدم الورقة ثلاث مساهمات رئيسية في هذا المجال:

1. دراسة تجريبية: تحليل شامل للتصنيف والكشف الصفري لنطاق التصميم التشغيلي عبر أربعة نماذج، بما في ذلك تحليل مفصل لأنماط الخطأ الشائعة.
2. تحليل التحسين: دراسة استئصال لاستراتيجيات تحسين التعلم الصفري، مما يوفر نظرة عامة على التكلفة مقابل الأداء (ميزانية الرموز مقابل الاستدعاء)، وتحديد أن التلقين بسلسلة الأفكار المرتكز على التعريف مع تفكيك الشخصية يحقق أفضل النتائج.
3. موارد مفتوحة: مجموعة من قوالب التلقين القابلة لإعادة الاستخدام، وإرشادات التكيف، ومجموعة بيانات ODD-TAX-232 لتسهيل الأبحاث المستقبلية والتوسع.

النتائج

• استراتيجية التلقين: حققت استراتيجية الشخصية + سلسلة الأفكار (Persona + CoT) أعلى استدعاء (0.73) على ODD-TAX-232، متفوقة بشكل كبير على الأساس (0.40) والاستراتيجيات الأخرى مثل RAG أو الخطوط المتسلسلة (التي غالباً ما قللت الأداء بسبب انتشار الأخطاء). ومع ذلك، جاء هذا الأداء العالي مع تكلفة باهظة من الرموز (~25,000 رمز لكل عينة).
• أداء النماذج (التصنيف): أظهرت النماذج مغلقة المصدر (GPT-4o وGemini 2.5 Pro) أداءً فائقاً (استدعاء ~0.72–0.73) مقارنة بالبدائل مفتوحة المصدر (Llama 4 Maverick بنسبة 0.67، وMolmo-72B بنسبة 0.45). وبينما كان GPT-4o وGemini 2.5 Pro متقاربين بشكل عام، أظهر GPT-4o تفوقاً في التعرف على اللافتات والطقس، بينما برع Gemini في العلامات والمناظر الطبيعية.
• أداء النماذج (الكشف): في مجموعة بيانات Mapillary Vistas، حقق GPT-4o أفضل توازن بين الدقة (0.82) والاستدعاء (0.922)، مما أدى إلى أعلى درجة F1 (0.87). حقق Gemini 2.5 Pro أعلى استدعاء (0.977) ولكن بدقة أقل. وأظهر Llama 4 Maverick أعلى دقة مكانية (أقل خطأ L2) ولكنه تأخر في درجة F1 الإجمالية. أما Molmo-72B فقد كان أداؤه ضعيفاً في الدقة ودرجة F1.
• تفاوت مجموعة البيانات: أدت جميع النماذج أداءً أفضل بكثير على Mapillary Vistas مقارنة بـ ODD-TAX-232. ويعزو المؤلفون ذلك إلى الفئات الأكثر شيوعاً والأقل دقة في Mapillary مقابل الفئات الدقيقة والنادرة وذات الصلة بالسلامة في ODD-TAX-232، والتي تكون أقل تكراراً في بيانات التدريب المسبق.

الأهمية والادعاءات
يخلص المؤلفون إلى أنه على الرغم من أن نماذج الرؤية واللغة تظهر إمكانات واعدة لنطاق التصميم التشغيلي، إلا أن الاستدعاء الصفري الذي يبلغ حوالي 0.73 غير كافٍ للنشر المستقل والإنتاجي على متن المركبات في التطبيقات الحرجة للسلامة حيث يمكن أن يؤدي عدم اكتشاف انتهاكات نطاق التصميم التشغيلي إلى تفعيل غير آمن للنظام.

بدلاً من ذلك، تضع الورقة هذه النماذج كأدوات قابلة للتطبيق للغاية في التطبيقات غير المتزامنة (Offline)، مثل:

• تدقيق نطاق التصميم التشغيلي قبل الرحلة.
• تقارير الامتثال التنظيمي.
• تغذية عمليات المحاكاة (Simulation Seeding).

في هذه السياقات، تكون تكلفة فقدان الكشف أقل، ويمكن للرقابة البشرية تعويض الأخطاء المتبقية. وتؤكد الدراسة أن تصميم التلقين (تحديداً سلسلة الأفكار مع تفكيك الشخصية) لا يقل أهمية عن اختيار النموذج. علاوة على ذلك، يجادل المؤلفون بأن المقاييس الإجمالية في مجموعات البيانات العامة مثل Mapillary Vistas قد تبالغ في تقدير الجاهزية لإدراك نطاق التصميم التشغيلي؛ لذا فإن التقييمات المدركة للتصنيف والتي تركز على العناصر الدقيقة والحرجة للسلامة ضرورية للتقييم الدقيق. ويمهد هذا العمل الطريق لأنظمة إدراك قائمة على نطاق التصميم التشغيلي تتسم بالشفافية والفعالية والقابلية للتكيف، بشرط استخدامها ضمن حدود السلامة المناسبة.