← أحدث الأبحاث
💻 computer science

KLTNet: Learning Sparse Feature Tracking for Robust and Accurate Monocular Visual-Inertial Odometry

تقترح الورقة البحثية KLTNet، وهو متتبع سمات متفرق خفيف الوزن وقائم على التعلم يستبدل خوارزمية KLT الكلاسيكية في أنظمة التقدير الملاحي البصري-القصوري عبر الجمع بين بنية من الخشن إلى الناعم ومن الكثيف إلى المتفرق وأوزان ثقة متباينة الخواص لتحقيق تقدير حالة قوي ودقيق وفي الوقت الفعلي، لا سيما في البيئات ذات القوام المنخفض أو الحركة العالية.

المؤلفون الأصليون: Renbiao Jin, Danping Zou, Wenxian Yu

نُشر 2026-08-26
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Renbiao Jin, Danping Zou, Wenxian Yu

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 يعرف الروبوت أو السيارة ذاتية القيادة مكان وجودها، تخيل أنها تسير في غرفة مظلمة وعيناها مغمضتان، معتمدة فقط على الشعور بخطواتها وذاكرتها الباهتة عن الجدران التي مرت بها. هذا هو تحدي "تقدير الموضع البصري-القصوري" (visual-inertial odometry)، وهي تقنية تسمح للآلات برسم خرائط لمحيطها وتتبع حركتها باستخدام الكاميرا ومستشعر الحركة فقط. تعمل الكاميرا بمثابة العينين، حيث تمسح العالم باستمرار بحثًا عن نقاط اهتمام مميزة، مثل زاوية طاولة أو شق في الرصيف. ثم تحاول الآلة تتبع هذه النقاط من صورة إلى أخرى، وتحسب المسافة التي تحركتها بناءً على كيفية تحرك تلك النقاط. لعقود من الزمن، كانت الطريقة الأكثر شيوعًا للقيام بذلك هي طريقة تسمى "KLT"، والتي تعمل مثل زوج من العينين يحاولان التركيز على ذرة غبار واحدة وتتبعها إطارًا تلو الآخر. إنها سريعة وفعالة، لكن لديها نقطة ضعف: إذا كانت الغرفة بسيطة للغاية، أو إذا تحركت الكاميرا بسرعة كبيرة، فإن ذرة الغبار تختفي، وتفقد الآلة طريقها، لتنحرف عن المسار دون أن تدرك ذلك.

لقد طور باحثون في جامعة شانغهاي جياو تونغ نظامًا جديدًا يسمى "KLTNet" لحل هذه المشكلة. فبدلاً من مجرد التحديق في نقطة واحدة والأمل في بقائها مرئية، يأخذ نظامهم نظرة أوسع قبل التكبير. فهو ينظر أولاً إلى المشهد بأككامل للحصول على فكرة تقريبية عن كيفية تحرك الكاميرا، تمامًا مثل شخص يلقي نظرة خاطفة على الغرفة بأكملها ليتعرف على اتجاهاته قبل التركيز على جسم معين. تساعد هذه النظرة الواسعة الأولية النظام على البقاء في المسار الصحيح حتى عندما تدور الكاميرا بسرعة أو عندما تكون الجدران ملساء جدًا بحيث لا توفر الكثير من التفاصيل. وبمجرد أن يكون لدى النظام فكرة تقريبية عن مكان وجود النقطة، فإنه يقوم بعد ذلك بإجراء تعديل دقيق ومتقن باستخدام رقعة صغيرة من الصورة تتضمن نقطة البداية الأصلية، والموقع السابق، والموقع الحالي. ومن خلال إبقاء نقطة البداية الأصلية ثابتة كمرجع، يمنع النظام الأخطاء الصغيرة التي تتراكم عادةً بمرور الوقت من إفساد الحساب بأكمله.

اختبر الفريق هذا المتتبع الجديد عن طريق توصيله بأنظمة الملاحة الموجودة المستخدمة في الروبوتات والطائرات بدون طيار. وقد مرروه عبر مجموعة متنوعة من البيئات الصعبة، بما في ذلك الممرات الطويلة الفارغة ذات الجدران البيضاء حيث تفشل الأنظمة التقليدية غالبًا، والمتواليات التي تتضمن حركات سريعة ومتقطعة. وفي هذه الاختبارات، تفوق النظام الجديد باستمرار على الطريقة القديمة. وفي معايسات قياسية تستخدم لقياس ملاحة الروبوتات، قلل النهج الجديد إجمالي خطأ المسافة بنسبة 34 بالمائة في مجموعة واحدة من الاختبارات وبنسبة 49 بالمائة في مجموعة أخرى. ولعل الأهم من ذلك هو أن النظام ظل مستقرًا في الممرات ذات الأنسجة المنخفضة حيث تنحرف الطريقة القديمة بشكل كبير، بينما ظل يؤدي بنفس كفاءة الطريقة القديمة في الظروف الأسهل. كما علم الباحثون النظام تخصيص درجة ثقة لكل نقطة يتتبعها، مما يسمح للروبوت بالوثوق بالنقاط التي تبدو واضحة وتجاهل النقاط الضبابية أو المربكة. ساعدت هذه الطبقة الإضافية من التقدير الروبوت على اتخاذ قرارات أفضل بشأن موقعه.

يكمن نجاح هذا العمل في قدرته على الجمع بين سرعة التتبع البسيط ومتانة تقنيات الرؤية الحاسوبية الأكثر تعقيدًا، كل ذلك مع العمل بسرعة كافية لاستخدامه على الأجهزة الصغيرة التي تعمل بالبطارية. وقد أثبت الباحثون أن نظامهم يمكنه العمل في الوقت الفعلي على كمبيوتر مدمج بحجم كتاب صغير، مما يثبت أنه لا يتطلب خوادم ضخمة تستهلك الكثير من الطاقة للعمل. ومن خلال استبدال طريقة التتبع القديمة الهشة بهذا النهج الهجين الجديد، فقد منحوا الآلات طريقة أكثر موثوقية لرؤية العالم، مما يضمن قدرتها على إيجاد طريقها عبر المساحات المزدحمة والفارغة من بيئتنا المادية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →