ملخص تقني: تهيئة خالية من الميزات وفعالة لأنظمة الرؤية والقصور الذاتي أحادية الكاميرا باستخدام نموذج ثلاثي الأبعاد ذو تغذية أمامية

بيان المشكلة

تتطلب أنظمة الملاحة البصرية-القصورية أحادية الكاميرا (VINS) تهيئة موثوقة وسريعة لاستعادة السرعة الخطية الأولية، واتجاه الجاذبية، والمقياس المتري، وهو أمر غير قابل للرصد في تقدير الوضعية القائم على الرؤية فقط. تعتمد طرق التهيئة التقليدية بشكل كبير على استخراج الميزات البصرية، وتتبعها، والمراسلات بين لقطات الصور. تواجه هذه النهج قيوداً كبيرة في السيناريوهات الصعبة مثل البيئات الخالية من الملمس (textureless)، والحركة السريعة، وضبابية الحركة، ومسارات التزيح المنخفض (low-parallax). في ظل هذه الظروف، غالباً ما يفشل تتبع الميزات، مما يؤدي إلى قيود هندسية سيئة التكييف، أو تأخر في التقارب، أو فشل كامل في عملية التهيئة. علاوة على ذلك، تتطلب الطرق الحالية عادةً ما يتراوح بين 3 إلى 4 ثوانٍ من البيانات الحسية لإتمام التهيئة، مما يحد من قابليتها للتطبيق في التطبيقات ذات الوقت الحرج في العالم الحقيقي مثل الواقع المعزز (AR) على الأجهزة والروبوتات الرشيقة.

المنهجية

يقترح المؤلفون إطار عمل للتهيئة الخالية من الميزات يستبدل تتبع الميزات البصرية التقليدي بسحب نقاط ثلاثية الأبعاد (3D point clouds) قابلة للقياس تُتنبأ بها مباشرة من الصور المدخلة بواسطة نموذج أساسي ثلاثي الأبعاد ذو تغذية أمامية (تحديداً VGGT). يتكون خط الإنتاج من مرحلتين رئيسيتين:

1. دمج النموذج ثلاثي الأبعاد ذو التغذية الأمامية

بدلاً من تقدير المواضع ثلاثية الأبعاد للميزات المتتبعة، يستخدم النظام نموذج تغذية أمامية مدرب مسبقاً للتنبؤ بسحابة نقاط كثيفة وقابلة للقياس $\{C_0 \bar{p}_{i,k}\}$ لسلسلة من الصور. يخرج النموذج سحب نقاط معبر عنها في إطار كاميرا مرجعي ثابت $\{C_0\}$. ولضمان القابلية للمعالجة، يتم تصفية التنبؤات منخفضة الثقة واختيار عدد ثابت من النقاط عالية الثقة لكل إطار.

2. نظام خطي مغلق الصيغة خالي من الميزات

الابتكار الجوهري هو إعادة صياغة مشكلة التهيئة حيث يتم تمثيل مواضع النقاط ثلاثية الأبعاد بواسطة عامل مقياس عالمي واحد $s$ بدلاً من إحداثيات الميزات الفردية.

• تقليص الحالة: تم تقليص متجه الحالة من احتواء $M$ من مواضع الميزات (ببعد $3M$) بالإضافة إلى السرعة والجاذبية، إلى متجه مدمج مكون من 7 أبعاد: $x = [s, \mathbf{v}_{I_0}, \mathbf{g}]^\top$.
• الصياغة الخطية: من خلال استبدال سحابة النقاط ذات المقياس الموحد في نموذج إسقاط الكاميرا ومعادلات التكامل المسبق لجهاز القصور الذاتي (IMU preintegration)، اشتق المؤلفون نظاماً خطياً $\bar{A}x = \bar{b}$.
• المتانة: تم دمج خوارزمية RANSAC مباشرة في الحل الخطي لاستبعاد القيم المتطرفة في النقاط المتنبأ بها، مما يعزز المتانة ضد أخطاء التنبؤ.

3. التحسين غير الخطي (VI-BA)

بعد الحل الخطي، تم اقتراح نوعين من ضبط الحزمة البصرية-القصورية (VI-BA) للتحسين:

• المقياس المقيد (SC): يعزز التحسين التقليدي القائم على الميزات بمعامل مقياس مشترك. يحافظ هذا النوع على مراسلات الميزات من أجل دقة أعلى، ولكنه يحتفظ بمساحة حالة أكبر.
• الخالي من الميزات (FF): يلغي تماماً حالات الميزات. يتم تمثيل بقايا إعادة الإسقاط (reprojection residual) حصرياً بواسطة عامل المقياس $s$ وحالات جهاز القصور الذاتي. تقلل هذه الصياغة من أبعاد الحالة إلى $O(1)$ بالنسبة للهندسة، مما يحسن بشكل كبير من التكييف العددي وسرعة التقارب.
• تكييف المقياس المحلي: للتعامل مع أخطاء التنبؤ المحلية، يتم تقسيم سحابة النقاط إلى شبكة ثنائية الأبعاد (مثلاً $3 \times 3$)، مع تعيين معاملات مقياس مستقلة لكل منطقة مرتبطة بقيود النعومة.

المساهمات الرئيسية

1. أول دمج للنماذج ثلاثية الأبعاد ذات التغذية الأمامية: يعد هذا العمل أول دمج لنماذج التأسيس ثلاثية الأبعاد ذات التغذية الأمامية في تهيئة VNS أحادية الكاميرا، متجاوزاً بذلك خطوط الإنتاج التقليدية القائمة على الميزات.
2. صياغة خالية من الميزات: اشتق المؤلفون نظاماً خطياً مغلق الصيغة يلغي طبيعياً الحاجة إلى ربط الميزات البصرية، حيث يقدر المقياس المتري، والسرعة الأولية، والجاذبية مباشرة من الهندسة المتنبأ بها.
3. نسختان من VI-BA: صاغت الورقة استراتيجيتين للتحسين: نسخة خالية من الميزات عالية الكفاءة، ونسخة مقيدة بالمقياس تحافظ على مراسلات الميزات من أجل الدقة.
4. التحقق التجريبي: أظهرت التجارب المكثفة على مجموعات البيانات العامة (EuRoC و TUM-VI) ومجموعة بيانات تم جمعها ذاتياً تفوق الطريقة من حيث معدل النجاح وكفاءة البيانات.

النتائج التجريبية

تم تقييم الطريقة المقترحة مقابل أحدث النماذج المرجعية (Dong-Si، و sqrtVINS، و DRT، وطرق العمق القائمة على التعلم) على مجموعات بيانات EuRoC و TUM-VI.

• معدل النجاح: حققت النسخة الخالية من الميزات (FF) أعلى معدلات نجاح، حيث تجاوزت 90% في مجموعة بيانات TUM-VI و 81.2% في EuRoC، متفوقة بشكل كبير على النماذج المرجعية التي غالباً ما تعاني في سيناريوهات التزيح المنخفض أو المتدهورة.
• كفاءة البيانات: قللت الطريقة بشكل كبير من مدة البيانات الحسية المطلوبة للتهيئة الناجحة. انخفض متوسط وقت التهيئة الناجحة ($T_{tot}$) إلى حوالي 1.2 ثانية، مقارنة بـ 2.5–3.3 ثانية لمعظم النماذج المرجعية.
• الدقة: بينما أظهرت النسخة الخالية من الميزات خطأ مسار مطلق (ATE) أعلى قليلاً في النافذة الزمنية مقارنة بالنسخة المقيدة بالمقياس بسبب غياب قيود الميزات، إلا أنها حققت أدنى خطأ مسار مطلق (ATE) في التتبع اللاحق، مما يشير إلى أن جودة التهيئة كانت كافية للتشغيل المستقر طويل الأمد.
• المتانة: في مجموعات البيانات التي تم جمعها ذاتياً والتي تتميز ببيئات متدهورة بصرياً (مثل ضعف الملمس، وضبابية الحركة)، حافظت الطريقة المقترحة على تهيئة موثوقة في حين فشلت أو تباعدت النماذج المرجعية القائمة على الميزات.
• دراسات الاستئصال (Ablation Studies): أكدت النتائج أن الطريقة مستقلة عن النموذج المحدد ذو التغذية الأمامية المستخدم (تم اختبارها مع VGGT و Depth Anything 3 و $\pi^3$)، مع تحسن الأداء طردياً مع جودة التنبؤ الهندسي الأساسي.

الأهمية والادعاءات

تدعي الورقة أنه من خلال الاستفادة من قدرات الفهم المكاني للنماذج ثلاثية الأبعاد ذات التغذية الأمامية، يمكن تبسيط مشكلة تهيئة VNS أحادية الكاميرا إلى صياغة موجزة وخالية من الميزات. تعالج هذه المنهجية الهشاشة الجوهرية لتتبع الميزات في البيئات المتدهورة.

يؤكد المؤلفون أن طريقتهم:

• تقلل بشكل كبير من تعقيد النظام عبر إلغاء الحاجة إلى استخراج الميزات وتتبعها.
• تحسن الموثوقية، لا سيما في السيناريوهات التي تفشل فيها الطرق الحالية (مثل الجدران الخالية من الملمس، أو الحركة السريعة).
• تسمح بنشر أسرع من خلال تقليل وقت التهيئة إلى أقل من 1.2 ثانية، مما يجعلها مناسبة للتطبيقات في الوقت الفعلي مثل الواقع المعزز والملاحة الطارئة.

تقر الورقة بوجود بعض القيود، مشيرة إلى أن الأداء يعتمد على تعميم النماذج الأساسية ثلاثية الأبعاد. في المشاهد ذات السماء المفتوحة أو البيئات ذات الإشارات الهندسية الشحيحة للغاية (مثل الجدر Walls البيضاء الفارغة)، قد يصبح الهندسة المتنبأ بها غير موثوقة، مما يؤدي إلى فشل التهيئة. ومع ذلك، يرى المؤلفون أنه مع تحسن النماذج الأساسية، سيتطور أداء التهيئة طبيعياً معها، ويمكن للعمل المستقبلي استكشاف خطوط إنتاج VNS كاملة القابلية للاشتقاق وذات تغذية أمامية.