تخيل أنك تسير في متاهة عملاقة لا نهاية لها، مكونة بالكامل من غرف بيضاء متطابقة. تخرج هاتفك لتسأل: "أين أنا؟" لكن إشارة الـ GPS مقطوعة. تلتقط صورة للغرفة، لكن كل الغرف تبدو متطابقة تماماً: جدار أبيض، باب، وربما نافذة. إذا حاولت العث lập مكانك بمقارنة صورتك بخريطة، فستصاب بالارتباك لأن الصورة تتطابق مع عشرات الأماكن المختلفة على الخريطة في آن واحد. هذا هو الصراع اليومي للروبوتات ونظارات الواقع المعزز التي تحاول التنقل داخل المباني. يتعين عليها مطابقة صورة غنية وملونة للعالم مع رسم تخطيطي بسيط ومسطح باللونين الأبيض والأسود للأرضية. المشكلة هي أن هذين الشيئين لا يشبهان بعضهما البعض على الإطلاق، والأنماط المتكررة للمباني تجعل الأمر أشبه بلعبة تخمين ذات احتمالات متعددة. لقد حاول العلماء حل لغز "أين أنا؟" هذا لسنوات، آملين في السماح للروبوتات بالتجول في منازلنا ومكاتبنا دون أن تضل طريقها أو تحتاج إلى خرائط ثلاثية الأبعاد ضخمة وثقيلة لكل طوبة.

تتناول الورقة البحثية التي ستطالعها الآن هذه المشكلة تحديداً باستراتيجية ذكية تسمى CF2Loc. بدلاً من محاولة فرض تطابق مثالي واحد لواحد بين الصورة والخريطة (وهو ما يفشل غالباً عندما تتشابه الغرف)، يقترح المؤلفون نهجاً يتكون من خطوتين: "من العام إلى الدقيق" (coarse-to-fine). فكر في الأمر كالبحث عن منزل محدد في مدينة ضخمة. أولاً، أنت لا تبحث عن رقم المنزل بدقة؛ بل تخمن فقط بضعة أحياء قد يكون المنزل فيها. هذه هي المرحلة "العامة". ثم، بمجرد حصولك على تخمينات جيدة، تقوم بعملية تقريب (zoom in) على تلك الأحياء فقط لتجد الباب الأمامي بدقة. هذه هي المرحلة "الدقيقة".

يجادل المؤلفون بأن الطريقة القديمة في القيام بذلك — وهي محاولة التنبؤ بـ "أشعة" ضوئية غير مرئية من الصورة إلى الخريطة — تشبه محاولة حل لغز عبر تحويل الصورة أولاً إلى رسم تخطيطي ضبابي ثم مقارنة ذلك الرسم بالخريطة. ويقولون إن هذا يفقد الكثير من التفاصيل ويعلق عندما تكون هناك احتمالات كثيرة جداً. بدلاً من ذلك، يستخدم أسلوبهم الجديد "نموذج الانتشار" (diffusion model)، وهو نوع من الذكاء الاصطناعي يبدأ بمجموعة من التخمينات العشوائية (مثل رمي السهام مع عصب العينين على خريطة) ثم يقوم بتنظيفها ببطء، واحداً تلو الآخر، حتى تستقر في الأماكن الأكثر احتمالاً. الأمر يشبه البدء بسحابة من الضباب ثم السماح للرياح بإزاحة الضباب ببطء لتكشف عن بضع جزر واضحة من الحقيقة.

بمجرد أن يجد الذكاء الاصطناعي هذه "الجزر" القليلة من المواقع المحتملة، ينتقل إلى "مُحسِّن محلي" (local refiner). وهذا عبارة عن أداة فائقة التركيز تنظر فقط إلى الجزء الصغير من الخريطة حول كل جزيرة. ولأن المنطقة صغيرة، تختفي الأنماط المتكررة المربكة، ويمكن للذكاء الاصطناعي تحديد الموقع بدقة تزيد عن المتر (أي ضمن نطاق أقد l قليلة). والنتيجة هي نظام أسرع، وأكثر دقة، ولا يحتاج إلى حساب قواعد بيانات ضخمة من أشعة الضوء لكل مبنى. وفي الاختبارات على مجموعات بيانات ضخمة من المنازل الاصطناعية والمنازل الواقعية، تفوق هذا الأسلوب الجديد على جميع المحاولات السابقة، مما أثبت أن التخمين لعدة احتمالات ثم صقلها هو في كثير من الأحيان أفضل من محاولة حساب الإجابة المثالية فوراً.

من "ربما هنا" إلى "بالتأكيد هنا"

الفكرة الجوهرية لهذه الورقة هي التوقف عن محاولة فرض إجابة واحدة مثالية في موقف فوضوي، وبدلاً من ذلك، احتضان الارتباك أولاً. يطلق المؤلفون على طريقتهم اسم CF2Loc (التحديد المكاني لمخطط الأرضية عبر الرؤية من العام إلى الدقيق).

المشكلة في الطريقة القديمة
حاولت الطرق السابقة حل هذه المشكلة عن طريق التنبؤ بـ "الأشعة". تخيل تسليط كشاف ضوئي من كاميرتك ورسم خط إلى حيث يوجد الجدار على الخريطة. يحاول الكمبيوتر بعد ذلك مطابقة هذه الخطوط مع الخريطة. تجادل الورقة بأن هذه فكرة سيئة لسببين رئيسيين:

1. إنها تفقد المعلومات: تحويل صورة غنية وملونة إلى مجرد خطوط بسيطة يرمي بكل التفاصيل الدقيقة التي قد تساعد في تمييز غرفة عن أخرى.
2. إنها تتعثر: إذا كانت الغرفة تشبه عشر غرف أخرى، فإن طريقة "الأشعة" يجب أن تخمن أي واحدة منها هي الصحيحة فوراً. إذا أخطأت في التخمين، فقد فشلت. إنها تعامل المشكلة كمعادلة رياضية لها إجابة واحدة فقط، لكن العالم الحقيقي غالاً ما يحتوي على إجابات عديدة.

الاستراتيجية الجديدة: رقصة من خطوتين
يقترح المؤلفون سير عمل ينتقل من "عدم اليقين" إلى "الحتمية".

• الخطوة 1: المرحلة العامة (التخمين الضبابي)
  بدلاً من تخمين نقطة واحدة، يستخدم الذكاء الاصطناعي نموذج انتشار الوضعية (pose diffusion model). فكر في هذا كآلة ضباب سحرية. تبدأ بسحابة من الجسيمات العشوائية المنتشرة في جميع أنحاء الخريطة. يعمل الذكاء الاصطناعي بعد ذلك مثل الرياح، حيث يدفع هذه الجسيمات بلطف. عبر عدة خطوات، تنجرف الجسيمات الموجودة في أماكن خاطئة بعيداً، بينما تتكتل الجسيمات الموجودة في الأماكن الصحيحة (الأنماط أو الـ modes) معاً.

  • كيف يعمل: ينظر الذكاء الاصطناعي إلى الصورة ومخطط الأرضية ويسأل: "إذا كنت واقفاً هنا، فماذا سأرى؟". هو لا يختار نقطة واحدة؛ بل يجد كل النقاط التي تبدو منطقية.
  • النتيجة: بدلاً من إجابة واحدة خاطئة، ينتج الذكاء الاصطناعي قائمة صغيرة من المواقع "المرشحة" (مثل 5 أو 10 نقاط) حيث يمكن أن يكون الروبوت موجوداً.

• الخطوة 2: المرحلة الدقيقة (التقريب/الزوم)
  الآن بعد أن أصبح لدى الذكاء الاصطناعي قائمة قصيرة من الاحتمالات، ينتقل إلى مُحسِّن محلي. لكل موقع مرشح، يقوم باقتطاع قطعة صغيرة بمساحة 5 متر × 5 متر من الخريطة ممركزة حول تلك النقطة.

  • لماذا يساعد هذا: في خريطة ضخمة، قد يبدو الممر مثل عشرة ممرات أخرى. ولكن إذا قمت بالتقريب (zoom) على قطعة واحدة بمساحة 5 أمتار فقط، تصبح التفاصيل الفريدة (مثل إطار باب معين أو زاوية) واضحة. هنا يختفي الارتباك.
  • النتيجة: يحسب الذكاء الاصطناعي "بواقي" (residual) ضئيل جداً (تصحيح صغير) لنقل النقطة المرشحة إلى المكان الصحيح تماماً. الأمر يشبه التقاط صورة ضبابية ثم جعل الوجه في المركز حاداً وواضحاً.

ما وجدوه
اختبر الفريق طريقتهم على مجموعتين رئيسيتين من البيانات: S3D (مجموعة ضخمة تضم 3,500 منزل اصطناعي) و ZInD (مجموعة واقعية تضم 1,750 منزلاً حقيقياً).

• الدقة: تفوقت طريقتهم على أفضل النتائج السابقة بشكل كبير. في مجموعة بيانات S3D، حسنوا دقة العثقة في نطاق 0.5 متر من حوالي 37.5% إلى 64.4%. وفي مجموعة البيانات الواقعية ZInD، رفعوا دقة الـ 0.5 متر من 11.1% إلى 45.5%.
• السرعة: لأنهم لا يحتاجون إلى حساب ملايين "الأشعة" مسبقاً لكل مبنى، فإن نظامهم أسرع بكثير. وجدوا أنه يمكنهم الحصول على نتائج رائعة باستخدام 10 خطوات فقط من عملية الانتشار الخاصة بهم، مما يجعلها سريعة بما يكفي للاستخدام في الوقت الفعلي.
• المتانة: يعمل النظام حتى لو كان مخطط الأرضية مجرد رسم بسيط باللونين الأبيض والأسود (هندسي) أو إذا كان يتضمن تسميات مثل "مطبخ" أو "غرفة نوم" (دلالي/semantic).

ما رفضوه
يجادل المؤلفون صراحةً ضد فكرة أننا بحاجة إلى التنبؤ بـ "أشعة" وسيطة لحل هذه المشكلة. ويظهرون أن محاولة ضغط صورة غنية إلى تمثيل شعاعي يخلق عنق زجاجة يؤدي لفقدان الكثير من المعلومات. كما يرفضون فكرة أننا بحاجة إلى قواعد بيانات ضخمة ومحسوبة مسبقاً لميزات الخريطة لكل مبنى. تعمل طريقتهم "على الطاير" دون الحاجة إلى البحث في جداول أو عرض نماذج ثلاثية الأبعاد مسبقاً.

الخلاصة
تشير هذه الورقة إلى أنه عندما تحاول إيجاد طريقك في عالم مربك ومتكرر، فمن الأفضل إلقاء شبكة واسعة، والعثور على بضعة أماكن محتملة، ثم التقريب للحصول على التفاصيل، بدلاً من محاولة حساب الإجابة المثالية في خطوة واحدة. ومن خلال استخدام نهج "من العام إلى الدقيق"، نجح المؤلفون في إنشاء نظام أكثر دقة، وأسرع، وأكثر مرونة من الأساليب الحالية، مما يثبت أن عدم اليقين قليلاً في البداية هو مفتاح الوصول إلى الحقيقة الدقيقة.