TinyDETR-Pose: Towards End-to-End Real-Time Single-Stage 6DoF Object Pose Estimation with Lightweight Transformers

تخيل ذراعاً آلياً في مصنع أو نظارات واقع معزز على وجه مستخدم. لكي تتفاعل هذه الآلات مع العالم، يجب عليها أن تفعل أكثر من مجرد رؤية جسم ما؛ بل يجب أن تفهم بالضبط أين يقع في الفضاء ثلاثي الأبعاد وكيف هو اتجاهه. يتطلب هذا حساب ستة أرقام محددة: ثلاثة لوصف موقع الجسم (يسار، يمين، أعلى، أسفل، أمام، خلف) وثلاثة لوصف دورانه (ميلان، أو تدحرج، أو دوران). يُعرف هذا بتقدير الوضعية بست درجات من الحرية (six-degree-of-freedom pose estimation). وبينما يمكن للحواسيب القوية في المختبرات حل هذا اللغز بدقة عالية، فإن القيام بذلك على الأجهزة الصغيرة التي تعمل بالبطاريات ظل تحدياً مستعصياً. تعتمد الطرق التقليدية غالباً على عمليات معقدة متعددة الخطوات تكون بطيئة جداً للاستخدام في الوقت الفعلي، بينما الأنظمة الحديثة عالية الدقة تكون ثقيلة جداً للتشغيل على أجهزة الحافة (edge devices) التي تشغل الروبوتات الحديثة والتقنيات القابلة للارتداء.

قدم فريق من الباحثين في معهد فراونهوفر (Fraunhofer IGD) في ألمانيا وجامعة دلفت للتكنولوجيا (TU Delft) في هولندا نهجاً جديداً يسمى TinyDETR-Pose، صُمم لحل هذه المشكلة عبر جعل العملية بأكملها خفيفة وسريعة. فبدلاً من تقسيم المهمة إلى مراحل منفصلة — أولاً العثور على الجسم، ثم حساب موقعه، ثم تحسين الإجابة — يقوم نظامهم بكل هذه الخطوات في تمريرة واحدة موحدة. فكر في الأمر كآلة تنظر إلى صورة وتعرف فوراً ليس فقط ماهية الجسم، بل أيضاً كيف يستقر بالضبط في الفضاء، دون الحاجة إلى التوقف والتحقق من عملها. ويتحقق ذلك باستخدام نسخة متخصصة ومبسطة من بنية "المحول" (transformer architecture)، وهي نوع من نماذج الذكاء الاصطناعي المعروفة بقدرتها على معالجة البيانات المرئية بكفاءة. لقد بنى الباحثون نظامهم ليكون "متكاملاً من البداية إلى النهاية" (end-to-end)، مما يعني أن الكمبيوتر يتعلم اكتشاف الجسم وتقدير توجهه ثلاثي الأبعاد في آن واحد، مما يلغي الحاجة إلى الخطوات الوسيطة التي غالباً ما تبطئ الأنظمة القديمة.

يكمن جوهر ابتكارهم في كيفية تعامل النظام مع الرياضيات الكامنة وراء الكواليس. كانت الطرق السابقة تتطلب غالباً عملية حسابية منفصلة لتحديد المسافة إلى جسم ما أو تستخدم حلولاً هندسية معقدة لا يمكن للذكاء الاصطنا نفسه تدريبها بسهولة. يتجنب TinyDETR-Pose هذه العقبات من خلال التنبؤ بنقطة مركز الجسم على الشاشة وعمقه مباشرة، ثم استخدام هندسة بسيطة لإعادة بناء الموقع ثلاثي الأبعاد الكامل. كما أنه يتعامل مع مشكلة شائعة في الروبوتات: الأجسام التي تبدو متشابهة من زوايا مختلفة، مثل علبة الصودا أو الصندوق المتماثل. فبدلاً من الحاجة إلى قواعد خاصة لكل نوع من الأجسام، يستخدم النظام طريقة موحدة واحدة لتقييم دقته، مما يسمح له بالتعلم من العناصر المتماثلة وغير المتماثلة دون ارتباك. هذا التصميم يسمح للنموذج بأن يظل صغيراً للغاية، حيث يحتوي على عدد أقل بكثير من الإعدادات القابلة للضبط مقارنة بالأنظمة المماثلة الأخرى، وهو أمر بالغ الأهمية للتشغيل على الأجهزة ذات الموارد المحدودة.

عند اختباره على مجموعة بيانات قياسية تحتوي على واحد وعشرين جسماً منزلياً، أظهر النظام أن الدقة العالية لا تتطلب قدرة حوسبة هائلة. فقد حقق مستوى من الدقة يضاهي النماذج الأكبر والأكثر تعقيداً، حيث حدد بدقة موقع واتجاه الأجسام في المشاهد المزدحمة. والأهم من ذلك، أثبت النظام سرعته على شريحة كمبيوتر صغيرة وموفرة للطاقة تُعرف باسم NVIDIA Jetson Nano، وهو جهاز يُستخدم غالباً في الطائرات بدون طيار والروبوتات المحمولة. على هذا الجهاز، عالج النظام صورة جديدة في حوالي 4.5 مللي ثانية، وهي سرعة كافية لمواكبة الحركة في العالم الحقيقي. يشير هذا الأداء إلى أن المقايضة بين الدقة والسرعة، والتي حدت لفترة طويلة من نشر الروبوتات المتقدمة على الأجهزة الصغيرة، يمكن تقليلها بشكل كبير.

يقر الباحثون بأنه على الرغم من كفاءة نظامهم العالية، إلا أنه ليس مثالياً. ففي الحالات التي تكون فيها الأجسام محجوبة بشدة عن الرؤية أو مخفية جزئياً، يمكن أن تنخفض دقة النظام، لا سيما بالنسبة للأشياء ذات الأشكال غير المنتظمة. ويشيرون إلى أن تصميمهم الحالي يعطي الأولوية للسرعة والبساطة على حساب أعلى دقة ممكنة، والتي تحققها عادةً الأنظمة التي تستغرق وقتاً أطلاً في الحوسبة. ومع ذلك، من خلال إثبات أن نموذجاً واحداً مدمجاً يمكنه العمل في الوقت الفعلي على أجهزة الحافة، يفتح هذا العمل مساراً عملياً لنشر الرؤية ثلاثية الأبعاد المتطورة في التطبيقات اليومية. وتشير النتائج إلى أن مستقبل الروبوتات أو الواقع المعزز قد لا يعتمد على بناء حواسيب أكبر وأقوى، بل على تصميم أنظمة أذكى وأكثر رشاقة يمكنها فعل المزيد بالقليل من الموارد.