USR-Drive: Unified Driving Scene Representation via Joint Denoising of 3D Gaussians and Boxes
تقترح الورقة البحثية USR-Drive، وهو إطار توليدي شرطي موحد يقوم بإزالة الضجيج بشكل مشترك لكل من نماذج غاوس ثلاثية الأبعاد (3D Gaussian primitives) وصناديق الإحاطة (bounding boxes) عبر محول انتشار (diffusion Transformer) مشترك لتحقيق إعادة بناء ديناميكية وكشف ثلاثي الأبعاد للأجسام في آن واحد وبأعلى مستويات الدقة، وذلك من خلال الاستفادة من قيودهما الهندسية والتركيبية المتبادلة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لفهم كيف ترى السيارة ذاتية القيادة العالم، يجب أولاً فهم ما تحاول بناءه. فالمركبة لا تكتفي بمجرد التقاط صورة فوتوغرافية؛ بل تبني خريطة ثلاثية الأبعاد لمحيطها في الوقت الفعلي. وتحتاج هذه الخريطة إلى شيئين متميزين لتكون مفيدة. أولاً، تحتاج إلى سطح كثيف ومتصل يوضح بدقة أين يوجد الطريق، والأرصفة، والمباني، مما يسمح للسيارة بمعرفة مدى بعد كل شيء عنها. ثانياً، تحتاج إلى تحديد أجسام معينة، مثل السيارات أو المشاة، وإحاطتها بصناديق غير مرئية لتتبع حركتها والتنبؤ بمكان ذهابها لاحقاً. لسنوات، تعامل المهندسون مع هاتين المهمتين كوظيفتين منفصلتين؛ حيث يقوم فريق من الخوارزميات ببناء الخريطة ثلاثية الأبعاد، بينما يبحث فريق آخر عن الصناديق. وقد أدى هذا الفصل غالباً إلى حدوث أخطاء: فقد تصبح الخريطة ضبابية حول الأجسام المتحركة، أو قد تطفو الصناديق في مساحة فارغة لأنها تفتقر إلى سطح صلب تستند إليه.
يسعى نهج جديد، طوره باحثون من شركة "NIO" وجامعة هونغ كونغ للعلوم والتكنولوجيا وجامعة بكين العادية، إلى إصلاح ذلك من خلال دمج الوظيفتين في عملية واحدة. يطلقون على نظامهم اسم "USR-Drive". فبدلاً من بناء خريطة ثم البحث عن السيارات، أو إيجاد السيارات ثم محاولة وضعها في خريطة، يقوم هذا النظام بإنشاء كل من السطح ثلاثي الأبعاد المفصل وصناديق الأجسام في الوقت ذاته تماماً. ووجد الباحثون أنه عندما يتم إنشاء هذين العنصرين معاً، فإنهما يساعدان بعضهما البعض. فالخريطة الكثيفة توفر أرضية صلبة تستند إليها الصنॉक्स، بينما توفر الصناديق هيكلاً عظمياً يحافظ على الخريطة من الضبابية أو التشوّه أثناء تحرك السيارة.
جوهر هذا النظام هو نوع من الذكاء الاصطناعي الذي يتعلم كيفية تنقية الضجيج. تخيل أنك تبدأ بشاشة مليئة بالتشويش، مثل تلفاز قديم لا توجد به إشارة. يتم تدريب النظام على إزالة هذا التشويش ببطء، ليكشف عن صورة واضحة لمشهد القيادة الكامن تحتها. وفي هذه الحالة، فإن "الصورة" ليست مجرد صورة مسطحة، بل هي مشهد ثلاثي الأبعاد معقد يحتوي على ملايين النقاط الصغيرة التي تشكل الطريق والمباني، جنباً إلى جنب مع مجموعة من الصناديق غير المرئية التي تحدد السيارات والأشخاص داخل هذا المشهد. صمم الباحثون طريقة خاصة لتعليم الذكاء الاصطناعي أن هذين النوعين المختلفين من المعلومات — السطح الأملس للطريق والحواف الحادة للسيارة — ينتميان إلى نفس المساحة الفيزيائية. لقد أنشأوا نظام إحداثيات مشتركاً حيث يعرف كل نقطة على الطريق وكل زاوية في صندوق السيارة موقعها بدقة بالنسبة للآخرين.
في الطرق السابقة، كان الذكاء الاصطناعي قد يحاول تخمين مكان السيارة بناءً على شكلها فقط، أو يحاول بناء طريق بناءً على رؤية الكاميرا فقط. وغالباً ما أدى ذلك إلى "التلطيخ الزمني"، وهو خلل بصري حيث تبدو الأجسام المتحركة وكأنها تذوب أو تتمدد بمرور الوقت لأن النظام لم يستطع الاتفاق على موقعها من لحظة إلى أخرى. ومن خلال إجبار الذكاء الاصطناعي على توليد الطريق والسيارات معاً، يمنع هذا النظام حدوث ذلك. فالطريق يخبر الذكاء الاصطناعي بالضبط مدى عمق السيارة، والسيارة تخبر الذكاء الاصطناعي بأن الطريق لا ينبغي أن يكون متموجاً أو مكسوراً في تلك النقطة تحديداً. هذا الاتفاق المتبادل يخلق مشهداً دقيقاً هندسياً ومتسقاً منطقياً.
اختبر الباحثون هذا النظام على مجموعتين رئيسيتين من بيانات القيادة، إحداهما مجموعة بيانات من العالم الحقيقي من مدينة أوستن، والأخرى من بيئة محاكاة. وقارنوا نتائجهم بأفضل الأساليب الموجودة حالياً لكل من رسم الخرائط ثلاثية الأبعاد وكشف الأجسام. وتفوقت النتائج على جميع تلك الأساليب؛ فقد أنتج النظام خرائط ثلاثية الأبعاد أكثر حدة وتفصيلاً للطريق والبيئة المحيطة، مع أخطاء أقل في كيفية ظهور بُعد الأجسام. وفي الوقت نفسه، حدد وتتبع الأجسام المتحركة بدقة أكبر من أنظمة الكشف المتخصصة التي لا تملك القدرة على الوصول إلى الخريطة ثلاثية الأبعاد الكاملة. وتمكن النظام من القيام بذلك دون الحاجة إلى أي معلومات مصنفة مسبقاً حول أماكن السيارات؛ فقد تعلم كيفية العثور عليها من خلال فهم شكل العالم من حولها.
أحد أهم النتائج هو أن هذا النهج الموحد يعمل حتى عندما يتم اختبار النظام على بيانات لم يسبق له رؤيتها. فعندما طبق الباحثون النموذج على بيئة قيادة اصطناعية لم يتدرب عليها، ظل قادراً على إنتاج خرائط ثلاثية الأبعاد دقيقة وتحديد المركبات بشكل صحيح. وهذا يشير إلى أن النظام قد تعلم فهماً جوهرياً لكيفية هيكلة مشاهد القيادة، بدلاً من مجرد حفظ أنماط معينة. إن القدرة على توليد عالم ثلاثي الأبعاد كامل ومتسق فيزيائياً من مجرد بث فيديو بسيط تمثل تحولاً في كيفية إدراك المركبات ذاتية القيادة لبيئتها. فهي تنتقل من معاملة الإدراك كسلسلة من الخطوات المنفصلة نحو رؤية موحدة حيث يُفهم الطريق وحركة المرور كواقع واحد متماسك.
يقر الباحثون بأن نظامهم الحالي مصمم للمعالجة غير المتزامنة (offline)، مما يعني أنه يستغرق وقتاً لتوليد هذه المشاهد وليس سريعاً بما يكفي لاستخدامه من قبل سيارة أثناء القيادة بسرعات عالية. ومع ذلك، فإن نجاح هذه الطريقة يثبت أن دمج الهندسة وكشف الأجسام في عملية توليدية واحدة يؤدي إلى نتائج تتفوق على إبقائهما منفصلين. فمن خلال معاملة العالم ثلاثي الأبعاد والأجسام الموجودة فيه كأجزاء تتطور معاً كجزء من حالة واحدة، يحقق النظام مستوى من الوضوح والاستقرار كان من الصعب الوصول إليه سابقاً. ويمهد هذا العمل الطريق لأنظمة القيادة المستقبلية التي يمكنها رؤية العالم ليس كمجرد مجموعة من البكسلات أو قائمة من الأجسام، بل كمساحة صلبة وقابلة للملاحة حيث يدعم كل عنصر العناصر الأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.