تخيل أنك تحاول العثور على طريق العودة إلى منزلك في مدينة لم تزرها من قبل. لديك خريطتان مختلفتان تماماً: الأولى عبارة عن صورة فوتوغرافية عالية الدقة للشوارع، مليئة بالألوان واللافتات والأنسجة، والأخرى عبارة عن سحابة متفرقة من النقاط ثلاثية الأبعاد تُظهر فقط شكل المباني والأرض. في عالم السيارات ذاتية القيادة والروبوتات، هذا واقع يومي. هذه الآلات تحتاج إلى التعرف على "الأماكن" لتعرف أين هي، لكنها غالباً ما تضطر لمطابقة رؤية الكاميرا مع رؤية الماسح الليزري. يُسمى هذا "التعرف عبر الوسائط على الأماكن" (Cross-Modal Place Recognition). تكمن المشكلة في أن هاتين الخريطتين لا تشبهان بعضهما البعض على الإطلاق. الصورة كثيفة وملونة، بينما خريطة الليزر هي سحابة شبحية من النقاط. محاولة مطابقتها تشبه محاولة العثور على توأم في حشد عندما يكون أحد التوأمين يرتدي بدلة حمراء زاهية والآخر غير مرئي، باستثناء بعض البالونات الطافية.

لفترة طويلة، حاول العلماء حل هذه المشكلة عن طريق بناء مترجمات معقدة أو "وحدات محاذاة" لإجبار هاتين الخريطتين المختلفتين على التحدث مع بعضهما البعض. كانوا يأخذون الصورة، ويأخذون نقاط الليزر، ويحاولون ضغطهما في لغة مشتركة باستخدام تدريب ثقيل متعدد الخطوات. لكن هذا البحث، GeoUniPR، يقترح طريقة أذكى. بدلاً من محاولة ترجمة لغتين مختلفتين بعد حدوث ذلك، لماذا لا نعيد كتابة خريطة الليزر لتتحدث نفس لغة الصورة منذ البداية؟ يقترح المؤلفون طريقة تقوم بإسقاط نقاط الليزر ثلاثية الأبعاد مباشرة على منظور الكاميرا، مما ينشئ "صورة عمق" تبدو تماماً مثل الصورة الفوتوغرافية ولكن مع معلومات ثلاثية الأبعاد. من خلال القيام بذلك، هم يزيلون الارتباك قبل أن يبدأ حتى، مما يسمح للروبوت بالتعرف على الأماكن بدقة مذهلة، حتى عند التنقل بين مدن مختلفة أو استخدام مستشعرات مختلفة.

المشكلة: خريطتان، مدينة واحدة

تخيل أنك روبوت يحاول التنقل في مدينة. لديك كاميرا ترى العالم في صور ثنائية الأبعاد، مليئة بالألوان والتفاصيل. ولديك أيضاً مستشعر ليدار (LiDAR) (ماسح ليزري) يرى العالم كسحابة ثلاثية الأبعاد من النقاط. كلا المستشعرين يحاولان إخبارك: "مهلاً، نحن عند نفس المقهى!" ولكن نظرًا لأن أحدهما يرى صورة مسطحة والآخر يرى سحابة من النقاط، فإنهما يكافحان للاتفاق.

حاولت الطرق السابقة إصلاح ذلك عن طريق بناء جسر معقد بين الاثنين. كانوا يأخذون الصورة وسحابة النقاط، ويمررونها عبر آلات منفصلة وثقيلة، ثم يحاولون إجبار النتائج على التطابق. الأمر يشبه محاولة جعل وتد مربع يناسب ثقباً مستديراً عن طريق صنفرة الخشب وتمديد الثقب حتى يتلامسا أخيراً. هذا يعمل، لكنه فوضوي، ويتطلب الكثير من التدريب الإضافي، وغالباً ما يتعطل إذا تغيرت الظروف قليلاً.

الحل: خدعة "منظور الكاميرا"

قرر مؤلفو هذا البحث، GeoUniPR، قلب الطاولة. بدلاً من إجبار الخريطتين المختلفتين على التطابق بعد معالجتهما، قرروا جعل خريطة الليزر تبدو مثل خريطة الكاميرا قبل بدء المعالجة.

فكر في الأمر على هذا النحو: إذا كان لديك منحوتة ثلاثية الأبعاد وتريد مقارنتها برسم ثنائي الأبعاد، فأنت لا تحاول تمديد الرسم ليبدو ثلاثي الأبعاد. بدلاً من ذلك، تأخذ صورة للمنحوتة من نفس زاوية الرسم تماماً. فجأة، تصبح كلتاهما صوراً ثنائية الأبعاد، وتصبح مقارنتهما سهلة.

يفعل GeoUniPR ذلك بالضبط. يأخذ نقاط الليزر ثلاثية الأبعاد ويسقطها على عرض الكاميرا. هذا ينشئ "عرض صورة العمق" (Depth Image View - DIV). لكنهم لم يتوقفوا عند هذا الحد. لجعل هذه الصورة الجديدة أكثر شبهاً بالصورة الحقيقية، أضافوا "قنوات" إضافية من المعلومات:

1. العمق: مدى بعد الجسم.
2. الشدة (Intensity): مدى سطوع انعكاس الليزر (مثل لمعان السطح).
3. نسبة الطبيعي (Normal Ratio): طريقة لوصف شكل السطح (هل هو مسطح، أم منحني، أم متعرج؟).

من خلال دمج هذه القطع الثلاث معاً، ينشئون صورة متعددة الطبقات تبدو كالصورة الفوتوغرافية ولكنها تحتوي على الهندسة الدقيقة ثلاثية الأبعاد لليزر. الآن، يمكن للروبوت استخدام نفس "الدماغ" (نوع من الذكاء الاصطناعي يسمى مشفر ViT) للنظر في كل من الصورة الحقيقية وصورة الليزر-الفوتوغرافية هذه. لم يعودوا يتحدثون لغات مختلفة؛ إنهم يتحدثون لغة واحدة.

مشكلة "السالب الكاذب" (False Negative)

كانت هناك مشكلة واحدة أخرى معقدة. في العالم الحقيقي، الأماكن مستمرة. إذا التقطت صورة لزاوية شارع، ثم التقطت صورة أخرى بعد بضع خطوات فقط، فإن هاتين الصورتين متشابهتان جداً. في تدريب الذكاء الاصطناعي القياسي، يُقال للكمبيوتر: "إذا لم يكن هذان الشيئان هما نفس المكان بالضبط، فهما مختلفان تماماً". هذا يسبب مشكلة. قد يرتبك الذكاء الاصطناعي ويفكر: "أوه، هذه البقعة تشبه تلك التي أبحث عنها، ولكن بما أنها ليست التطابق الدقيق، يجب أن أعاملها كمكان مختلف تماماً". وهذا ما يسمى "السالب الكاذب".

لحل ذلك، قدم المؤلفون قاعدة جديدة تسمى SC-InfoNCE (Spatially-Consistent InfoNCE). تخيل أنك تلعب لعبة "البحث عن التوأم". إذا رأيت شخصاً يشبه هدفك كثيراً ولكنه يقف على بعد بضعة أقدام فقط، فإن القواعد القديمة ستقول: "لا، هذا شخص مختلف!". القاعدة الجديدة تقول: "انتظر، إنهم يقفون بجانب بعضهم البعض تماماً. من المحتمل أنهم نفس الشخص، ولكن من منظور مختلف قليلاً. دعونا لا نعتبرهم إجابة خاطئة".

هذه القاعدة الجديدة تخبر الذكاء الاصطناعي بأن يكون أكثر تسامحاً مع البقع التي تقع بالقرب من بعضها البعض مادياً. إنها تمنع الذكاء الاصطناعي من الارتباك بسبب حقيقة أن العالم هو تدفق مستمر من الأماكن، وليس مجموعة من الجزر المنعزلة.

ماذا وجدوا

اختبر الفريق نظامهم الجديد على مجموعتي بيانات قيادة شهيرتين، KITTI و KITTI-360. هذه المجموعات تشبه مكتبات ضخمة لمسارات القيادة التي تحتوي على بيانات الكاميرا والليزر معاً.

كانت النتائج مبهرة. لم يكتفِ GeoUniPR بأداء جيد فحسب، بل سجل رقماً قياسياً جديداً (State-of-the-Art).

• عندما يحاول العثور على مكان باستخدام صورة كاميرا للبحث في خريطة ليزر (2D→3D)، حصل GeoUniPR على الإجابة الصحيحة بنسبة 97.41% من المرات في مجموعة بيانات KITTI-360.
• وعند البحث في الاتجاه المعاكس (3D→2D)، أصاب بنسبة 97.49% من المرات.

هذه الأرقام أعلى من أي طريقة سابقة. والأهم من ذلك، أظهر النظام قدرته على التعامل مع بيئات جديدة لم يسبق له رؤيتها. فعندما اختبروه على مجموعة بيانات مختلفة (KITTI) لم يتم التدريب عليها، ظل أداؤه ممتازاً للغاية، مما يثبت أن خدعة "منظور الكاميرا" قوية ولا تكتفي بمجرد حفظ الشوارع المحددة.

لماذا هذا مهم

يجادل البحث بأن الطريقة القديمة لمحاولة إصلاح عدم التطابق بعد معالجة البيانات هي طريقة هشة. من خلال إصلاح الهندسة قبل معالجة البيانات، يصبح النظام أبسط، وأسرع، وأكثر دقة. فهو لا يحتاج إلى وحدات إضافية معقدة أو كميات هائلة من إعادة التدريب.

ومع ذلك، يعترف المؤلفون بحدود طريقتهم. تعتمد طريقتهم على كون الليزر والكاميرا متوافقين (متعايرين) تماماً. إذا تعرضت المستشعرات للاهتزاز أو إذا كانت السيارة تستخدم نوعاً مختلفاً من ماسحات الليزر (واحد أكثر تشتتاً أو يحتوي على نقاط أقل)، فقد يواجه النظام صعوبة. أيضاً، إنشاء هذه الصور الخاصة متعددة الطبقات يتطلب بعض القوة الحسابية الإضافية. ولكن في الوقت الحالي، يظهر هذا النهج "المتوافق هندسياً" أنه في بعض الأحيان، تكون أفضل طريقة لحل مشكلة معقدة هي ببساطة تغيير منظورك.