Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis

تخيل أنك روبوت أُرسلت لاستكشاف كوكب جديد. مهمتك هي التجول في الأرجاء، والتقاط الصور، ومعرفة مكانك بالضبط على الخريطة. لكن هناك عقبة: الكوكب يبدو كصحراء شاسعة وفارغة من الصخور الرمادية. لا توجد أشجار، ولا مبانٍ، ولا لافتات شوارع، ولا أي أنماط مميزة. كل صخرة تبدو تماماً مثل أي صخرة أخرى. هذا يمثل كابوساً لأعين الروبوت. إذا حركت رأسك قليلاً، سيبدو المشهد مختلفاً تماماً، رغم أنه في الواقع نفس المكان. يُسمى هذا "الالتباس الإدراكي" (perceptual aliasing)، وهو يشبه محاولة العث تجد منزلك في حي حيث طُليت كل المنازل بنفس الدرجة من اللون الرمادي ولم يُوضع عليها أي رقم للمنزل.

لحل هذه المعضلة، يعلم العلماء الروبوتات كيفية بناء خرائط ثلاثية الأبعاد من الصور، وهي عملية تُسمى "تخليق المنظر الجديد" (Novel View Synthesis). فكر في الأمر كأن الروبوت يلتقط مجموعة من الصور ثم يستخدم برنامج كمبيوتر لـ "يحلم" بنسخة ثلاثية الأبعاد من العالم يمكنه النظر إليها من أي زاوية. إحدى الطرق الشائعة هي "تشتت غاوس ثلاثي الأبعاد" (3D Gaussian Splatting). تخيل أن العالم ليس مكوناً من كتل صلبة، بل من ملايين البالونات الصغيرة الملونة والضبابية التي تطفو في الفضاء. يقوم الروبوت بتحريك هذه البالونات حتى تبدو، عند النظر إليها من زاوية معينة، مطابقة تماماً للصورة التي التقطها للتو. المشكلة هي أنه في هذه الصحاري الرمادية المملة، يصاب الروبوت بالارتباك. قد يضع البالونات في أماكن خاطئة لأن الصور لا تحتوي على تفاصيل فريدة كافية لتوجيهه. الأمر يشبه محاولة تجميع أحجية (بازل) تكون فيها كل قطعة عبارة عن مربع أبيض فارغ؛ قد تظن أنك أصبت في تركيبها، لكن الصورة في الواقع كلها خاطئة.

هذه الورقة البحثية تعالج هذه المشكلة تحديداً. وجد الباحثون، من خلال العمل مع بيانات لمركبة تشبه تلك التي تسير في تضاريس تشبه سطح القمر، أن الطريقة القياسية لبناء هذه "خرائط البالونات" تفشل فشلاً ذريعاً عندما تكون التضاريس مملة وعندما لا يستطيع الروبوت سوى التحرك للأمام في خط مستقيم. لقد اكتشفوا أن مجرد النظر إلى ألوان الصور (الإشراف الضوئي/photometric supervision) ليس كافياً لبناء خريطة مفيدة حقاً لتحديد المسار. بدلاً من ذلك، اقترحوا طريقة تدريب جديدة تجبر الروبوت على الانتباه إلى شكل ومسافة الصخور، وليس فقط لونها. فعلوا ذلك عبر دمج بيانات من ماسح ليزر (LiDAR) وأداة رؤية ستيريو (Stereo-vision) خاصة تعمل كزوج ثانٍ من العيون لتقدير العمق.

النتيجة هي خريطة أكثر "صدقاً" بشأن هندسة العالم. عندما اختبروا هذه الطريقة الجديدة، قفزت قدرة الروبوت على إعادة تحديد موقعه من نسبة نجاح ضئيلة بلغت 6.25% إلى نسبة أكثر موثوقية بلغت 43.20% في الظروف المرنة. وتحت الظروف الأكثر صرامة، بلغت نسبة النجاح 6.80%، وهي لا تزال تحسناً كبيراً مقارنة بالأداء الذي يقترب من الصفر للطرق الأخرى. في عالم استكشاف الكواكب، حيث يمكن أن تعني الخطوة الخاطئة العلوق للأبد، يعد هذا النوع من التحسن تغييراً جذرياً لقواعد اللعبة. تُظهر الورقة أنه في هذه البيئات القاسية والخالية من المعالم، يكون الحصول على الشكل ثلاثي الأبعاد الصحيح أكثر أهمية من جعل الصورة تبدو جميلة.

الفكرة الجوهرية: لماذا تفشل الخرائط "الجميلة"

تبدأ الورقة بشرح أن أنظمة ملاحة الروبوتات الحالية بارعة في إيجاد طريقها في المدن أو الغابات، حيث توجد الكثير من المعالم الفريدة مثل النوافذ أو الأوراق أو اللافتات. ولكن في البيئات الكوكبية — فكر في المريخ أو القمر — غالباً ما تكون الأرض عبارة عن قفر صخري مسطح. الروبوتات، التي تكون عادةً مركبات جوالة (rovers)، تتحرك غالباً للأمام فقط. وهذا يعني أنها لا تحصل على زوايا مختلفة لنفس الجسم. الأمر يشبه محاولة فهم شكل كرة من خلال النظر إليها من الأمام فقط؛ لا يمكنك معرفة ما إذا كانت كرة أو قرصاً مسطحاً.

عندما تحاول الروبوتات بناء خرائط ثلاثية الأبعاد في هذه الظروف باستخدام الصور فقط، يرتبك الكمبيوتر. قد يعتقد أن صخرة مسطحة هي حفرة عميقة، أو أن جبلاً بعيداً يقع بجوار المركبة مباشرة. هذا لأن "البالونات" (Gaussians ثلاثية الأبعاد) يتم إخبارها فقط بمطابقة ألوان الصورة. إذا كانت الألوان متشابهة، فلا يهتم الكمبيوتر إذا كانت البالونات تطفو في المكان الخاطটি. يجادل المؤلفون بأن هذا النهج "المعتمد على الضوء فقط" (photometric-only) معطل بشكل أساسي لهذه البيئات المحددة. وهم يستبعدون صراحةً فكرة أن الكاميرات الأفضل أو المزيد من الصور وحدها ستصلح المشكلة؛ فالمشكلة تكمن في نقص المعلومات الهندسية (المعتمدة على الشكل).

الحل: تعليم الخريطة كيف "تشعر" بالعالم

لإصلاح ذلك، قدم المؤلفون استراتيجية تدريب "واعية هندسياً". تخيل أنك معصوب العينين وتحاول بناء نموذج لغرفة باستخدام الطين فقط. إذا قال لك شخص ما فقط: "اجعلها تبدو مثل الصورة"، فقد تصنع رسماً مسطحاً ثنائي الأبعاد للغرفة. ولكن إذا قال لك أيضاً: "تأكد من أن الجدران تبعد 10 أقدتاً فعلياً وأن الأرضية مستوية"، فستبني هيكلاً له عمق حقيقي.

تجمع الورقة بين ثلاثة أنواع من "إشارات التعليم" لبناء الخريطة:

1. الصورة (الضوئية): التعليمات القياسية لمطابقة الألوان والأنماط في الصورة.
2. الرؤية الستيريو (MVS): يستخدم الروبوت كاميراته لتخمين عمق الأشياء، تماماً كما تساعدنا عيوننا في تقدير المسافة. تستخدم الورقة أداة تسمى MVSAnywhere لتوفير هذه التخمينات، مما يساعد في تنعيم التفاصيل المحلية للصخور.
3. ماسح الليزر (LiDAR): هذا هو الجزء الأهم. تمتلك المركبة الجوالة ليزراً يرتد عن الأجسام لقياس مسافتها بدقة. استخدم المؤلفون هذه البيانات لإجبار "البالونات" على الاستقرار في المواقع الفيزيائية الصحيحة. لقد أنشأوا قاعدة رياضية خاصة (تسمى "خسارة تشامفر" Chamfer loss) تعمل مثل المغناطيس، حيث تسحب البالونات الطافية نحو قياسات الليزر الفعلية.

تذكر الورقة صراحة أن هذه هي المرة الأولى التي يتم فيها دمج هذه الأساليب المحددة بهذه الطريقة. ويجادلون بأن الاعتماد على مصدر واحد فقط للعمق (مثل الرؤية الستيريو فقط) ليس كافياً لأن الرؤية الستيريو تصبح غير دقيقة عندما يتحرك الروبوت في خط مستقيم. ومن خلال دمج بيانات الليزر مع الرؤية الستيريو، يحصلون على أفضل ما في العالمين: يوفر الليزر دقة الصورة الكبيرة، بينما توفر الرؤية الستيريو التفاصيل المحلية. ومن المثير للاهتمام أنه بينما أدت عملية استخدام بيانات الليزر فقط في البداية إلى انخفاض في معدل النجاح في تحديد الموقع مقارنة بالمنهج المعتمد على الصور فقط، إلا أن الورقة تؤكد أن بيانات الليزر هي في الواقع "المحرك الأساسي للدقة الهندسية"، مما يعني أنها تجعل الشكل ثلاثي الأبعاد للخريطة أكثر دقة من الناحية الفيزيائية، حتى لو لم تقفز درجة "التحديد" المباشرة فوراً.

النتائج: من الضياع إلى الإيجاد

اختبر الباحثون طريقتهم على مجموعة بيانات تسمى "DLR S3LI Vulcano Dataset". تم جمع هذه البيانات من جزيرة فولكانو في صقلية، والتي تمتلك تضاريس تشبه إلى حد كبير الأسطح الكوكبية؛ فهي مليئة بالفوهات القديمة، والصخور الرمادية، وقلة المعالم المميزة. قادت المركبة حوالي 1.5 كيلومتر، ملتقطةً الصور ومسحات الليزر.

عندما اختبروا الطريقة القديمة (الصور فقط)، تمكن الروبوت من تحديد موقعه بشكل صحيح بنسبة 6.25% فقط في الظروف المرنة. كان الأمر أشبه بالتخمين. وعندما أضافوا بيانات الليزر فقط، انخفضت نسبة النجاح في تحديد الموقع إلى 2.10%، مما أظهر أن بيانات الليزر وحدها لم تكن كافية لإصلاح مشكلات النسيج المحلي.

ومع ذلك، عندما استخدموا طريقتهم الكاملة "الواعية هندسياً"، تغيرت النتائج بشكل دراماتيكي. قفزت قدرة الروبوت على إعادة تحديد الموقع إلى 43.20% في الظروف المرنة و6.80% في الظروف الصارمة. هذا تحسن هائل. تشير الورقة إلى أن هذا لم يكن مجرد تخمين محظوظ، بل إن الخرائط التي بنوها كانت أكثر دقة من الناحية الفيزيائية. فقد انخفضت "مسافة تشامفر" (وهي مقياس لمدى ابتعاد الخريطة عن بيانات الليزر الحقيقية) بنسبة 74% تقريباً مقارنة بالطريقة الأصلية.

كما قارن المؤلفون طريقتهم بتقنية ملاحة كلاسيكية للروبوتات تسمى "PnP"، والتي تعتمد على مطابقة نقاط محددة بين الصور. في هذه البيئات الرمادية والمملة، فشلت تلك الطريقة تماماً، بنسبة نجاح 0% في الظروف الصارمة. وهذا يثبت أن الطريقة القديمة لا تعمل عندما يبدو العالم متشابهاً جداً مع نفسه.

لماذا يهم هذا الأمر؟

تخلص الورقة إلى أنه بالنسبة للروبوتات التي تستكشف البيئات القاسية، فإن "الاتساق الهندسي" أكثر أهمية من "الدقة الضوئية". بعبارة أخرى، لا يهم إذا كانت الخريطة تبدو كصورة عالية الدقة ومثالية؛ ما يهم هو أن تعرف الخريطة أين تقع الصخور فعلياً في الفضاء ثلاثي الأبعاد. إذا كان للخريطة الشكل الصحيح، فيمكن للروبوت معرفة مكانه، حتى لو كانت الصورة تبدو ضبابية أو غريبة.

يؤكد المؤلفون أن هذا لا يحل كل المشاكل. فحتى مع طريقتهم الجديدة، ظل الروبوت يعاني في بعض الحالات الصعبة، ولم تصل نسبة النجاح إلى 100%. لكن التحسن من 6% إلى 43% يعد خطوة كبيرة للأمام. ويشير ذلك إلى أنه إذا أردنا للروبوتات استكشاف المريخ أو القمر بشكل موثوق، فعلينا التوقف عن معاملتها ككاميرات والبدء في معاملتها كأجهزة مسح ثلاثية الأبعاد تحتاج إلى فهم شكل العالم، وليس فقط ألوانه.

تختتم الورقة بالإشارة إلى أن هذا النهج يمكن أن يكون قطعة رئيسية في أحجية الاستقلال الذاتي طويل الأمد للروبوتات. فمن خلال بناء خرائط سليمة هيكلياً، يمكن للروبوتات إغلاق الدورات (إدراك أنها كانت في مكان ما من قبل) والتوقف عن الانحراف عن المسار، وهو أمر ضريد لأي مهمة تتطلب الاستمرار لفترة طويلة في مكان لا يوجد فيه نظام تحديد المواقع العالمي (GPS). الكود الخاص بطريقتهم متاح للآخرين لتجربته، مما يدعو المجتمع العلمي للبناء على هذه الطريقة الجديدة لرؤية العالم.