CorrelationFlow: A Training-Free Geometric Approach for LiDAR Scene Flow Estimation

تخيل أنك تقود سيارة عبر مدينة مزدحمة، ولكن بدلاً من العيون، تمتلك سيارتك ماسحاً ليزرياً فائق الحساسية يطلق ملايين الأشعة غير المرئية كل ثانية. ترتد هذه الأشعة عن المباني، والسيارات الأخرى، والمشاة، لتنشئ سحابة دوارة من النقاط ثلاثية الأبعاد التي ترسم معالم العالم من حولك. هذه هي الطريقة التي "ترى" بها السيارات ذاتية القيادة. لكن الرؤية ليست كافية؛ فالسيارة بحاجة لمعرفة ما الذي يتحرك وإلى أين يتجه. يُسمى هذا "تدفق المشهد" (scene flow). الأمر يشبه محاولة تخمين حركات الرقص لكل نقطة في تلك السحابة للتنبؤ بما إذا كان أحد المشاة يخطو نحو الطريق أو إذا كانت شاحنة تغير مسارها. لسنوات، حاول العلماء حل هذه المعضلة عبر تعليم الحواسيب التعلم من كميات هائلة من البيانات، أي عرض ملايين الأمثلة للسيارات المتحركة حتى تحفظ الأنماط. إنه يشبه تدريب كلب على جلب عصا باستخدام عدد لا نهائي من المكافآت. لكن هذا النهج لديه مشكلة: إذا رأى الكلب لأول مرة عصا مصنوعة من الزجاج، أو إذا كانت الرياح تهب بقوة، فإنه يصاب بالارتباك.

هنا يأتي طرح فكرة جديدة تسأل سؤالاً بسيطاً: هل نحتاج حقاً لتدريب الكمبيوتر مثل الكلب، أم يمكننا فقط استخدام الهندسة والمنطق التقليدي الجيد؟ تقدم هذه الورقة طريقة تسمى CorrelationFlow، والتي تتخطى مرحلة "التدريب" تماماً. فبدلاً من التعلم من البيانات، تعامل هذه الطريقة النقاط المتحركة كأنها لغز. فهي تأخذ لقطتين من سحابة الليزر، وتحولهما إلى صور مسطحة من منظور عين الطائر (مثل النظر إلى خريطة من طائرة بدون طيار)، ثم تقوم بتمرير صورة فوق الأخرى لترى مدى تطابقهما. إذا قمت بتمرير صورة سيارة بالقدر الصحيح، فستتطابق تماماً مع موقع السيارة في الإطار التالي. ومن خلال إيجاد هذا التطابق المثالي، يمكن للكمبيوتر حساب السرعة والاتجاه الذي تتحرك به السيارة بدقة، دون أن يكون قد "درس" سيارة واحدة من قبل.

مشكلة "جمهور التعلم"

لفترة طويلة، كان علم تحديد كيفية تحرك الأشياء في الفضاء ثلاثي الأبعاد يهيمن عليه تيار محدد: التعلم العميق (deep learning). هذه برامج حاسوبية تعمل كأدمغة ضخمة ومعقدة، تُغذى بجبال من البيانات—آلاف الساعات من عمليات مسح الليزر من سيارات حقيقية—وتتعلم ببطء تخمين حركة كل نقطة. هذا الأسلوب يعمل جيداً في المختبر، لكن لديه نقاط عمياء خطيرة.

أولاً، أساليب "التعلم" هذه تشبه الطلاب الذين يدرسون لاختبار محدد فقط. إذا أظهرت لهم سيارة لم يروها من قبل، أو مستشعراً يعمل بشكل مختلف قليلاً، أو مشهداً بعيداً جداً أو متفرقاً (مثل ليلة ضبابية)، فإنهم غالباً ما يفشلون فشلاً ذريعاً؛ فهم يرثون أخطاء البيانات التي تدربوا عليها. ثانياً، هم "جائعون"؛ فهم يحتاجون إلى كميات هائلة من البيانات المكلفة والمصنفة يدوياً للتعلم، كما أنهم بطيئون في العمل على كمبيوتر السيارة لأنهم يضطرون لمعالجة الأرقام لكل نقطة على حدة.

يجادل مؤلفو هذه الورقة بأننا قد نكون نعقد الأمور أكثر من اللازم. ويقترحون أنه يمكن حل جزء كبير من المشكلة باستخدام الرؤية الحاسوبية الكلاسيكية—ذلك النوع من الرياضيات والمنطق الذي وجد قبل ظهور طفرة الذكاء الاصطناعي. إنهم يقترحون أنه بدلاً من تدريب نموذج لـ "تخمين" الحركة، يمكننا ببساطة قياسها مباشرة باستخدام الهندسة.

حل CorrelationFlow: لغز التمرير

قرر الفريق وراء CorrelationFlow اتخاذ مسار مختلف تماماً. لقد بنوا نظاماً لا يتطلب أي تدريب. لا مجموعات بيانات، لا شبكات عصبية، ولا مرحلة "تعلم". بدلاً من ذلك، اختزلوا مشكلة الحركة ثلاثية الأبعاد المعقدة إلى عمليتين بسيطتين من الكتب المدرسية: تسمية المكونات المتصلة (connected-component labeling) وتعظيم الارتباط (correlation maximization).

إليكم كيف يعمل الأمر، خطوة بخطوة، باستخدام تشبيه توضيحي:

1. خريطة منظور عين الطائر
تخيل أن لديك ماسح ليزر على سيارة. هو يرى سيارة أمامك كسحابة من النقاط ثلاثية الأبعاد. أول ما تفعله CorrelationFlow هو تسطيح هذه السحوة ثلاثية الأبعاد إلى خريطة ثنائية الأبعاد، تنظر مباشرة من السماء (منظور "عين الطائر" أو BEV). إنها تحول سحابة النقاط إلى صورة بسيطة بالأبيض والأسود حيث تظهر السيارة ككتلة بيضاء على خلفية سوداء. وهي تفعل ذلك للحظتين زمنيتين: الآن ($t$) وبعد لحظة وجيزة ($t+1$).

2. لغز التمرير (الارتباط)
الآن، تخيل أن لديك ورقتين. إحداهما تحتوي على الكتلة البيضاء للسيارة عند الزمن $t$، والأخرى تحتوي على الكتلة عند الزمن $t+1$. وبما أن السيارة تحركت، فإن الكتلة في الورقة الثانية ستكون في مكان مختلف قليلاً.
الطريقة القديمة (التعلم) كانت ستحاول "تخمين" الإزاحة بناءً على أنماط حفظتها. أما CorrelationFlow فتفعل شيئاً أبسط: تأخذ الورقة الأولى وتمررها فعلياً فوق الورقة الثانية، وتجرب كل وضعية ممكنة. هي تسأل: "إذا مررت هذه الكتلة هنا، ما مدى تداخلها مع الكتلة الموجودة في الورقة الأخرى؟"
تستخدم الأداة الرياضية المسماة الارتباط المتبادل الموحد (Normalized Cross-Correlation) لقياس هذا التداخل. فكر في الأمر كأنه "درجة مطابقة". إذا تطابقت الكتل تماماً، تكون الدرجة 100%. وإذا لم تتداخل على الإطلاق، تكون الدرجة 0. يجد الكمبيوتر النقطة التي تكون فيها الدرجة في أعلى مستوياتها، وهذه النقطة تخبره بالضبط المسافة التي تحركتها السيارة.

3. تجميع النقاط (المكونات المتصلة)
في شارع مزدحم، هناك العديد من السيارات والمشاة والأشجار. ماسح الليزر يراهم جميعاً كسحابة كبيرة من النقاط. لحل هذه المشكلة، تستخدم CorrelationFlow تقنية تسمى تسمية المكونات المتصلة.
تخيل أن النقاط هي أشخاص يمسكون بأيدي بعضهم البعض. إذا كانت نقطتان قريبتين بما يكفي، فهما "متصلتان". يقوم الخوارزمي بإيجاد جميع مجموعات الأشخاص الذين يمسكون بأيدي بعضهم. قد تكون إحدى المجموعات سيارة، وأخرى مشاة. هو يعامل كل مجموعة ككائن واحد. هذا أمر بالغ الأهمية لأنه يفترض أنه إذا كانت السيارة تتحرك، فإن كل جزء من تلك السيارة يتحرك معاً (حركة صلبة). بمجرد العثور على مجموعة، يقوم بحساب الحركة للمجموعة بأكملة دفعة واحدة، بدلاً من محاولة تحديد حركة كل نقطة على حدة.

4. اختصار "نقاط العلام" (Keypoint)
أدرك المؤلفون أنه في بعض الأحيان، خاصة مع الأجسام البعيدة أو المتفرقة، يكون تجميع النقاط بدقة أمراً صعباً. لذا، أنشأوا نسخة ثانية تسمى CorrelationFlow-Keypoints.
بدلاً من تجميع الكائن بأكمله، تركز هذه النسخة فقط على الحواف أو الحدود للأجسام. هي تختار "نقاط علام" خاصة على الخطوط الخارجية لظل السيارة على الخريطة، ثم تطابق هذه النقاط الحدية بين الخطوتين الزمنيتين، تماماً كما قد تطابق زوايا قطع الأحجية. هذه النسخة أسرع حتى وتعمل بشكل جيد مع زوج واحد من المسحات دون الحاجة إلى سجل من المسحات الماضية.

ماذا وجدوا: البساطة تفوز (أحياناً)

اختبر الفريق طريقتهم في تحدٍ واقعي ضخم يسمى Argoverse 2 2026 Scene Flow Challenge. لم يكن هذا مجرد اختبار لنوع واحد من السيارات أو المدن؛ بل استخدم بيانات من خمس مجموعات بيانات مختلفة، بمستشعرات ومركبات ومواقع مختلفة. لقد صُمم ليرى ما إذا كانت الطريقة قادرة على التعميم—أي العمل في كل مكان دون الحاجة لضبط مخصص لإعداد معين.

كانت النتائج مفاجئة ومشجعة:

• الترتيب: جاءت CorrelationFlow في المركز الثاني بين جميع الطرق "غير الخاضعة للإشراف" (الطرق التي لا تستخدم تسميات يدوية). وهذا أمر مثير للإعجاب لأن معظم المنافسين الأوائل هم نماذج ذكاء اصطناعي معقدة وثقيلة تتطلب تدريباً هائلاً.
• ميزة المدى البعيد: هذا هو الجزء الأكثر إثارة. أساليب "التعلم" (نماذج الذكاء الاصطناعي) عملت بشكل رائع عندما كانت الأجسام قريبة (0-35 متراً). ولكن مع ابتعاد الأجسام (35-70 متراً)، بدأت نماذج الذكاء الاصطناعي تنهار وتزداد أخطاؤها بشكل حاد. لماذا؟ لأن الأجسام البعيدة تحتوي على نقاط أقل، والذكاء الاصطناعي يصاب بالارتباك. أما CorrelationFlow، فقد تدهورت كفاءتها تدريجياً وبسلاسة. لم تصب بالذعر؛ لأنها تعتمد على الشكل العام والتداخل بدلاً من الأنماط المحفوظة، فاستمرت في العمل حتى عندما كانت البيانات متفرقة.
• السرعة والكفاءة: بما أنها لا تحتاج لتشغيل شبكة عصبية ضخمة، فإن CorrelationFlow أخف بكثير. هي لا تحتاج للتدريب على ملايين الصور أولاً، بل تقوم بالحسابات فورياً.

الحدود والمستقبل

المؤلفون صريحون بشأن القيود. تفترض طريقتهم أن الأجسام تتحرك في خط مستقيم ولا تلتف أو تنعطف بشكل حاد بين الإطارات (وهو أمر صحيح عادةً للسيارات والمشاة في الفترات الزمنية القصيرة). كما أنها تواجه بعض الصعوبة مع الأجسام سريعة الحركة التي تقفز لمسافات بعيدة بين الإطارات، رغم أنهم طوروا استراتيجية "من الخشن إلى الناعم" للتعامل مع هذا عبر التحقق من الحركة في خطوات كبيرة أولاً، ثم خطوات صغيرة.

وجدوا أيضاً أنه بينما طريقتهم رائعة، إلا أنها ليست سحراً. إذا لم يتم حساب حركة السيارة نفسها (ego-motion) بدقة، فإن الأمر برمته يصبح فوضوياً. لكن الرسالة الجوهرية واضحة: لسنا بحاجة لزيادة التعقيد لحل كل مشكلة.

تشير الورقة إلى أن جزءاً كبيراً من مشكلة تدفق المشهد يمكن حله بالفعل باستخدام الرؤية الحاسوبية الكلاسيكية. إنها تذكير بأنه في بعض الأحيان، أفضل طريقة لحل لغز معقد ليست ببناء روبوت أكبر وأذكى لتخمين الإجابة، بل باستخدام قاعدة بسيطة وذكية تصف بالفعل كيف يعمل العالم. وكما قال المؤلفون، قد يتطلب التقدم "التشكيك في الصيغة، وليس زيادة حجمها". في عالم مهووس بنماذج الذكاء الاصطناዊ الأكبر، تعد CorrelationFlow تذكيراً منعشاً بأنه في بعض الأحيان، تكون الحيلة الهندسية البسيطة هي الأداة الأكثر قوة على الإطلاق.