GeoWAM: Visual Geometry World Action Models for Autonomous Driving
تقدم هذه الورقة GeoWAM، وهو نموذج عمل عالمي للقيادة الذاتية يستبدل التنبؤ المستقبلي القائم على البكسل بالتنبؤ بالهندسة المستقبلية باستخدام السحب النقطية لالتقاط البنية المكانية والحركة بشكل أفضل، مما يؤدي إلى سياسات قيادة أقوى بكثير مقارنة بالبدائل القائمة على الصور.
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
تعتبر القيادة الذاتية في جوهرها لعبة توقع. فلكي تتنقل المركبة بأمان، لا يكفي أن ترى الطريق أمامها فحسب؛ بل يجب أن تفهم كيف سيتغير ذلك الطريق وما عليه من أشياء في الثواني القادمة. يتعين عليها التنبؤ بمكان قد يخطو إليه أحد المشاة، وكيف سيبطئ سيارة أمامها، وكيف سيتغير مسارها الخاص عبر البيئة المحيطة. لسنوات طويلة، حاول الباحثون تعليم الحواسيب هذه المهارة عبر عرض تدفقات لا متناهية من مقاطع الفيديو، آملين أن تتعلم الآلات كيفية تخمين الإطار التالي من فيلم ما. هذه الأنظمة، المعروفة بنماذج العالم (world models)، قوية لأنها تستطيع محاكاة المستقبل، لكنها غالباً ما تعاني من خلل محدد: فهي ترى العالم كصورة مسطحة. فهي تركز على الألوان، والمنسوجات، والإضاءة، مما قد يحجب الشكل ثلاثي الأبعاد والحركة الحقيقية للأجسام. عندما تحاول حاسوب معرفة كيف ينعطف سيارة بناءً على تغير البكسلات فقط، فإن الأمر يشبه محاولة فهم ميكانيكا ساعة من خلال مراقبة ظلالها الساقطة على الجدار؛ المعلومات موجودة، لكنها غير مباشرة ويصعب فك تشابكها.
لقد اقترح فريق من الباحثين في مختبرات "أوبر إيه في" (Uber AV Labs) وجامعة "كيس ويسترن ريزرف" نهجاً مختلفاً، نهجاً يتجاوز الصورة المسطحة تماماً وينظر مباشرة إلى شكل العالم. فقد قدموا نظاماً جديداً يسمى "جيوام" (GeoWAM)، والذي يعامل بيئة القيادة ليس كفيديو يجب التنبؤ به، بل كمجموعة من النقاط ثلاثية الأبعاد التي تتحرك وتتحول بمرور الوقت. وبدلاً من محاولة توليد صورة واقعية لمستقبل شارع ما، يتم تدريب النظام على التنبؤ بالهندسة المستقبلية لذلك الشارع—الموقع الدقيق لكل رصيف، وشجرة، ومركبة في الفضاء ثلاثي الأبعاد. ومن خلال التركيز على هذا البنية المكانية، وجد الباحثون أن بإمكانهم منح المركبة ذاتية القيادة فهماً أوضح لكيفية تطور العالم. ويشير عملهم إلى أنه عندما يتعلم وكيل القيادة التنبؤ بالشكل الفيزيائي للمستقبل بدلاً من مظهره البصري، فإنه يصبح أفضل بكثير في تخطيط مسارات آمنة وسلسة.
الفكرة الجوهرية وراء هذا الأسلوب الجديد هي أن البكسلات لغة ضعيفة لوصف الحركة. فنموذج عالم الفيديو القياسي يتعلم التنبؤ بكيفية تغير الضوء واللون من لحظة إلى أخرى. وبينما يمكن أن ينتج هذا نتائج مقنعة بصرياً، إلا أن الحركات الفيزيائية الكامنة—مثل الدوران الفعلي لعجلة أو انتقال سيارة عبر الفضاء—تظل مخفية داخل تلك الألوان المتغيرة. يتجاوز نظام "جيوام" الجديد هذا الارتباك من خلال العمل مباشرة مع السحب النقطية (point clouds). تخيل خريطة ثلاثية الأبعاد مكونة من ملايين النقاط الصغيرة، حيث تمثل كل نقطة مكاناً محدداً لسيارة، أو مبنى، أو طريق. يأخذ هذا النظام تسلسلاً من المشاهد الماضية من كاميرات المركبة ويتعلم التنبؤ بمكان تلك النقاط في المستقبل. هو لا يهتم إذا كانت السيارة حمراء أو إذا كانت الشمس مشرقة؛ بل يهتم فقط بمكان وجود السيارة وكيفية تحركها عبر الفضاء. هذا التمثيل المباشر يتوافق تماماً مع مهمة القيادة، والتي تتعلق في الأساس بالتنقل عبر عالم ثلاثي الأبعاد.
لبناء هذه القدرة، درب الباحثون النظام في مرحلتين متمايزتين. أولاً، علموا النموذج أن يكون "مهندساً هندسياً". باستخدام مجموعة ضخمة من بيانات القيادة من كاميرات متعددة، تعلم النظام النظر إلى تسلسل من المشاهد الماضية والتنبؤ بدقة بالبنية ثلاثية الأبعاد للمشهد بعد عدة ثوانٍ من المستقبل. لم يُطلب منه إعادة إنشاء مظهر السماء أو ملمس الأسفلت، بل طُلب منه فقط رسم خرائط لمواقع الأجسام. وبمجرد أن أتقن النظام هذه القدرة على التنبؤ بشكل المستقبل، أضاف الباحثون مرحلة ثانية: مخطط الحركة (action planner). يأخذ هذا المكون الجديد الخريطة ثلاثية الأبعاد المتوقعة ويتساءل سؤالاً بسيطاً: بالنظر إلى كيفية تغير العالم، ماذا يجب أن تفعل السيارة بعد ذلك؟ ولأن النظام يفكر بالفعل من حيث الحركة ثلاثية الأبعاد، فإن الإجابة تأتي بشكل طبيعي. فهو يستنتج حركة السيارة المستقبلية مباشرة من الهندسة المتطورة، مما يخلق خطة قائمة على الواقع الفيزيائي للطريق بدلاً من الأنماط البصرية للفيديو.
تم اختبار نتائج هذا النهج بصرامة في معايير القيادة القياسية. وعندما طُلب منه التنبؤ بالشكل المستقبلي لمشهد ما، تفوق النظام الجديد على الطرق السابقة التي اعتمدت على توليد الفيديو. لقد كان أكثر دقة في وضع الأجسام في مكانها الصحيح في الفضاء ثلاثي الأبعاد، حتى مع تمدد الأفق الزمني نحو المستقبل. والأهم من ذلك، عندما استُخدمت هذه الاستبصار الهندسي للتحكم في مركبة في بيئة محاكية، تحسن أداء القيادة بشكل كبير. وفي اختبارات الحلقة المفتوحة (open-loop)، حيث يخطط النظام لمسار دون التفاعل مع البيئة، وفي اختبارات الحلقة المغلقة (closed-loop)، حيث يجب على النظام الاستجابة لأخطائه في الوقت الفعلي، أنتج "جيوام" باستمرار مسارات أكثر أماناً وموثوقية من نظائره القائمة على الصور. وقد أظهر النظام قوة خاصة في السيناريوهات المعقدة، مثل التنقل في المنعطفات الضيقة أو تجنب العوائق، حيث يكون فهم التخطيط المكاني الحقيقي أمراً بالغ الأهمية.
يجادل الباحثون بأن هذا التحول من التنبؤ البصري إلى التنبؤ الهندسي يمثل طريقة أكثر طبيعية لتعلم الآلات عن القيادة. فمن خلال إزالة تشتت المظهر والتركيز على البنية، يتعلم النظام قواعد الحركة بشكل أكثر مباشرة. فهو لا يحتاج إلى تخمين كيف سينعكس الضوء على طريق مبلل ليعرف أن سيارة تنزلق؛ بل يرى ببساطة موقع السيارة يتغير بطريقة تشير إلى الانزلاق. هذا الوضوح يسمح للمركبة باتخاذ قرارات قوية ومتسقة. وتؤكد الدراسة أنه بينما يعد توليد الفيديو أداة قوية للعديد من المهام، إلا أنه ليس الأساس المثالي للقيادة الذاتية. بدلاً من ذلك، فإن النموذج الذي يفهم العالم كبنية ديناميكية ثلاثية الأبعاد هو الأكثر قدرة على التنقل في العالم الحقيقي، مما يقدم مساراً واعداً لتطوير مركبات ذاتية القيادة حقيقية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.