Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression

ملخص تقني: PROTEUS – نموذج إنتروبي مقاوم للقطع من أجل ضغط بيانات LiDAR التدريجي

1. بيان المشكلة

توفر سحب النقاط من نوع LiDAR حدوداً فيزيائية صريحة وحتمية، وهي ضرورية للإدراك التعاوني المعتمد على السلامة (مثل كشف التصادم وتجنب المخاطر). ومع ذلك، فإن نقل هذه الهياكل البيانية الكثيفة عبر قنوات لاسلكية ديناميكية (V2X، أو أسراب الطائرات بدون طيار) يفرض تحديين حرجين:

• تقلب عرض النطاق الترددي والقطع (Truncation): تؤدي انقطاعات الرابط العابرة أو انخفاضات عرض النطاق إلى قطع التدفق أثناء النقل. تنهار برامج الترميز التقليدية في ظل هذه الظروف، مما يتطلب حلقات تغذية راجعة كثيفة التأخير لإعادة التفاوض على معدلات البت، وهو ما يعطل مسارات العمل في الوقت الفعلي.
• عيوب القناة مقابل الدقة الفيزيائية: تتعامل أطر العمل القوية الحالية، مثل الترميز المشترك العميق للمصدر والقناة (Deep JSCC) أو ترميز الأوصاف المتعددة (MDC)، مع فقدان الحزم عن طريق إعادة بناء المناطق المفقودة عبر التقدير الإحصائي أو البارامتري. وبينما يحافظ هذا على جودة إدراكية أو دقة (mAP) تنافسية، إلا أنه يحول القياسات الفيزيائية الدقيقة إلى تقديرات خوارزمية غير مؤكدة. بالنسبة للمهام الحرجة للسلامة، يعد الحفاظ على الطبيعة الحتمية والمقيدة رياضياً لقياسات المستشعر — حتى عند دقة أقل — أمراً لا غنى عنه.

يتمثل التحدي الجوهري في تصميم برنامج ترميز متعلم يحقق ضغطاً تدريجياً مقاوماً للقطع مع الحفاظ الصارم على الحدود الفيزيائية الدقيقة لقياسات LiDAR، وتجنب "الهلوسة" الهندسية المتأصلة في طرق التقدير الإحصائي.

2. المنهجية

يقترح المؤلفون Proteus، وهو برنامج ترميز LiDAR متعلم يعمل على صور المدى ثنائية الأبعاد (2D range images). يقوم إطار العمل بفصل تمثيل الإطار إلى تدفقين مستقلين لتحقيق مقاومة القطع على مستوى التدفق:

أ. التمثيل والفصل (Representation & Decoupling)
تتكون صورة المدى المدخلة $R = (x, a)$ من قناة المدى $x$ (بعمق بت $d$) وقنوات السمات $a$ (مثل الانعكاسية). يتم تقسيم قناة المدى إلى $d$ من مستويات البت (bit-planes) وتجزئتها إلى:

1. البتات الهامة (SIG - Significant): مستويات البت الأكثر أهمية ($x_{1:s}$)، والتي تتكون من جزء "رأس" ($x_{1:h}$) وجزء "وسط" ($x_{h+1:s}$).
2. البتات غير الهامة (INS - Insignificant): بقية مستويات بت الذيل ($x_{s+ity:d}$) وجميع قنوات السمات.

ب. مُرمِّز SIG: نظام "البتات الخلفية" ذاتي الاحتواء
يقوم كتلة SIG بترميز المستويات الهامة باستخدام مخطط البتات الخلفية (bits-back coding) الذي يكون ذاتي الاحتواء تماماً داخل الكتلة.

• الآلية: يستخدم آلية البتات الأولية ذات الترتيب الذاتي (ArIB). حيث يتم ترميز الجزء "الأوسط" أولاً دون اشتراط كامن لتوليد البتات الأولية. تُستخدم هذه البتات لاحقاً لفك تشفير المتغير الكامن $z$ للجزء "الرأس"، والذي يتم ترميزه تحت الاحتمال اللاحق $q(z|x_{1:h})$.
• الفائدة: يلغي هذا العبء المرتبط بالإطار الواحد الذي يصاحب عادةً ترميز البتات الخلفية (والذي يتطلب عادةً توزيع الحمل على تسلسل من الإطارات). كتلة SIG غير قابلة للقطع؛ فهي توفر حداً أدنى إدراكياً ضرورياً وذاتي الاحتواء. إذا تم قطع التدفق قبل اكتمال SIG، يصبح الإطار غير قابل لفك التشفير، ولكن إذا تم استلام SIG، فإن الهيكل الهندسي الأساسي يظل محفوظاً.

ج. مُرمِّر INS: نظام FIFO المقاوم للقطع
تقوم كتلة INS بترميز مستويات مدى البتات غير الهامة والسمات باستخدام مُرمِّز مدى بنظام (First-In-First-Out - FIFO).

• الترتيب: يتم تسلسل التدفق بحيث تسبق مستويات ذيل المدى ($x_{s+1:d}$) قنوات السمات ($a$). وهذا يعطي الأولوية للدقة الهندسية على دقة السمات أثناء انخفاض عرض النطاق الترددي.
• خصائص القطع:
  • تدهور الدقة الحتمي: قطع $N$ من أقل مستويات بتات المدى يعادل رياضياً عملية الحشو بالأصفار (zero-padding)، مما يؤدي إلى تدهور حتمي في الدقة المكانية ($\Delta_N = 2^N \cdot \Delta_0$). هذا يتجنب الحاجة إلى التقدير الإحصائي للهندسة المفقودة.
  • إعادة بناء السمات الهجينة: عند قطع بتات السمات، يتم إعادة بناء البتات المتبقية عبر طريقة هجينة (بدون فقدان وتنبؤية). تعمل الهندسة التي تم فك تشفيرها (من SIG ومدى INS المستلم) كسابقة هيكلية قوية لشبكة تنبؤ $h_\theta$ لتقريب تفاصيل السمات المفقودة.
• المقاومة: بما أن SIG يمثل حوالي 30% من تدفق البتات، فإن Proteus يظل قابلاً لفك التشفير بالكامل حتى لو تم قطع ما يصل إلى 70% من تدفق INS.

3. المساهمات الرئيسية

1. البتات الخلفية المقاومة للقطع: يعالج البحث عدم التوافق بين مقاومة القطع وكفاءة ترميز البتات الخلفية العالية. من خلال فصل التدفق واستخدام ArIB، يتيح Proteus عملية تدريجية للتدهور مع عقوبة طفيفة فقط في كفاءة الترميز بدون فقدان (lossless)، مما يلغي عبء الإطار الواحد.
2. الترتيب الاستراتيجي للهندسة والسمات: تم تصميم إطار ترميز مشترك حيث توضع بيانات السمات التابعة بعد البيانات الهندسية في التدفق القابل للقطع. يسم يسمح هذا للنظام بالتضحية بدقة السمات أولاً أثناء انخفاض عرض النطاق، مما يحافظ على أداء الإدراك في الأسفل حتى مع وجود قطع كبير.
3. الحفاظ الحتمي على الخصائص الفيزيائية: على عكس Deep JSCC أو MDC، يضمن Proteus أن عمليات إعادة البناء المقطوعة هي إسقاطات محكومة رياضياً للمصدر. الهندسة لا يتم "هلوستها" أبداً؛ بل يتم ببساطة إعادة بنائها بدقة أقل.

4. النتائج التجريبية

أُجريت التجارب على مجموعة بيانات Waymo Open Dataset (WOD) و SemanticKITTI.

• المقاومة للقطع: يتحمل Proteus ما يصل إلى ~70% من قطع تدفق البتات. وتحت تأثير القطع، يظل الخطأ الهندسي محكوماً رياضياً (على سبيل المثال، قطع 3 مستويات بت يؤدي إلى دقة ~8 ملم في KITTI)، ويتدهور أداء كشف الأجسام ثلاثي الأبعاد تدريجياً نحو حد أدنى ذاتي الاحتواء بدلاً من الانهيار.
• كفاءة الضغط (في القنوات المثالية): في الظروف المثالية (0% قطع)، يتفوق Proteus على المعايير الراسخة (G-PCC، Draco، JPEG XL) وعلى النموذج المرجعي المتعلم Unicorn.
  • SemanticKITTI: يحقق مكسباً في معدل BD-rate قدره -35.41% مقارنة بـ G-PCC للهندسة و -15.59% للشدة (intensity).
  • WOD: يحقق مكسباً في معدل BD-rate قدره -42.72% مقارنة بـ G-PCC للهندسة و -80.47% للشدة.
• دراسات الاستئصال (Ablation Studies):
  • إزالة آلية البتات الخلفية تزيد المعدل بمقدار +20.19%.
  • إزالة مخطط ArIB تزيد المعدل بمقدار +31.17%.
  • التصميم المفصول يفرض ضريبة كفاءة قدرها 6.56% فقط مقارنة بمخطط ArIB المترابط لتمكين مقاومة القطع.
  • وحدة إعادة بناء السمات الهجينة (LUT + CNN Head) خفيفة حسابياً (تخزين 1.3 ميجابايت، زمن تنفيذ 5.2 مللي ثانية) وحاسمة للأداء (إزالة كليهما يزيد معدل BD-rate بمقدار +67.8%).

5. الأهمية والادعاءات

يدعي البحث أن Proteus يحل التوتر الجوهري بين الضغط عالي الكفاءة و النقل المقاوم للقناة لتطبيقات LiDAR الحرجة للسلامة. من خلال تقييد الاعتماديات البرمجية داخل الإطار الواحد وفصل التمثيل، يحقق Proteus ما يلي:

• مقاومة فقدان الحزم على مستوى الإطار (لا يوجد تنبؤ بين الإطارات قد ينكسر).
• تدفقات بتات قابلة لفك التشفذ التقديمي (Prefix-decodable) تعطي إعادة بناء صالحة دون تنسيق مسبق.
• شبكات أمان يمكن التحقق منها رياضياً: يحتفظ سحب النقاط المعاد بناؤها بحدودها الفيزيائية الحتمية، مما يضمن أن البيانات تظل قياساً أميناً، وإن كان بدقة أقل، بدلاً من كونها تقديراً غير مؤكد.

يضع المؤلفون Proteus كحل يسمح للأنظمة المستقلة التعاونية بمشاركة سحب النقاط الكثيفة عبر قنوات لاسلكية غير مستقرة دون المساس بالنزاهة الرياضية المطلوبة لاتخاذ القرارات الحرجة للسلامة.