Online Geometric Change Detection via Scene Decomposition

تُكلف الروبوتات المستقلة بشكل متزايد بمهمة التنقل في العالم بمفردها، من دوريات القواعد العسكرية إلى توصيل الطرود في المدن المزدحمة. وللقيام بذلك بأمان، تعتمد هذه الروبوتات على أجهزة استشعار تبني خريطة ثلاثية الأبعاد لمحيطها، مما ينشئ أساساً توأماً رقمياً للعالم المادي. ومع ذلك، فإن العالم الحقيقي ليس ثابتاً؛ فالأشجار تسقط، والأبواب تُفتح، والمركبات تتحرك. ولكي يعمل الروبوت بفعالية، يجب ألا يكتفي بمعرفة مكانه فحسب، بل يجب أن يدرك أيضاً متى تغيرت البيئة من حوله. وهذه مشكلة صعبة لأن أجهزة الاستشعار التي تستخدمها الروبوتات، مثل الماسحات الليزرية، غالباً ما ترى العالم كمجموعة متفرقة من النقاط بدلاً من صورة صلبة. وعندما يتحرك الروبوت، تتغير مواقع هذه النقاط، مما يجعل من الصعب التمييز بين ظهور جسم جديد أو مجرد رؤية المستشعر لنفس الجسم من زاوية مختلفة. وبدون القدرة على التمييز بين هذين الاحتمالين، قد يهدر الروبوت وقته في التفاعل مع تغييرات وهمية أو يتجاهل مخاطر حقيقية تماماً.

لقد طور باحثون في جامعة كاليفورنيا، لوس أنجلوس، ومختبر أبحاث الجيش، طريقة جديدة لحل هذه المشكلة، مما يسمح للروبوتات باكتشاف التغييرات البيئية في الوقت الفعلي بدقة عالية. ويعمل نهجهم، المسمى "كشف التغيير عبر تفكيك المشهد" (Change Detection via Scene via Scene Decomposition)، من خلال تقسيم الخريطة الكبيرة والمتصلة إلى قطع أصغر يمكن إدارتها. فبدلاً من محاولة مقارنة رحلة الروبوت بأكملها بقاعدة بيانات ضخمة وغير منظمة لكل نقطة رآها من قبل، يقوم النظام بتقسيم المسار إلى مناطق متميزة، أو مشاهد. وضمن كل مشهد، ينشئ الروبوت ملخصين محددين لما رآه: سجلاً تراكمياً لجميع الزيارات السابقة، وسجلاً جديداً للزيارة الحالية. ومن خلال مقارنة هذين الملخصين المركزين، يمكن للروبوت رصد الاختلافات الهامة، مثل فتح باب سيارة أو ترك حقيبة ظهر خلفه، مع تجاهل الضجيج الناتج عن الإزاحات الطفيفة في موقع الروبوت أو القيود المفروضة على رؤية المستشعر.

يكمن جوهر هذا الابتكار في كيفية معالجة النظام للبيانات. فغالباً ما تقارن الطرق التقليدية مسحاً واحداً متفرقاً من الروبوت بخريطة مبنية مسبقاً، مما قد يؤدي إلى حدوث أخطاء لأن المسح الواحد يفتقر إلى الكثير من التفاصيل. وهناك توجهات أخرى تنتظر حتى تنتهي المهمة تماماً لمقارنة خرائط "قبل" و"بعد" بالكامل، وهو أمر بطيء جداً لروبوت يحتاج إلى اتخاذ قرارات فورية. ويتجنب هذا الإطار الجديد هذه العثرات عبر بناء خرائط فرعية كثيفة وتمثيلية لكل مشهد فور مرور الروبوت به. وتعمل هذه الخرائط الفرعية كلقطات عالية الجودة تلتقط هندسة المنطقة بتفاصيل كافية لرصد الأجسام الصغيرة. ثم يستخدم النظام عملية تصفية ذكية لضمان أن التغيير المكتشف هو تغيير حقيقي؛ حيث يتحقق مما إذا كانت النقطة التي ظهرت أو اختفت هي مجرد نتيجة لرؤية المشهد من زاوية مختلفة، وهي حالة قد يرى فيها أحد المنظور جداراً بينما يرى الآخر المساحة التي خلفه. ومن خلال إسقاط البيانات في عرض مشترك والتحقق من هذه العوائق البصرية، يمكن للنظام التأكد من أن التغيير حقيقي قبل الإبلاغ عنه.

ولاختبار طريقتهم، أجرى الباحثون تجارب في منشأة في "غريس كوارترز" بولاية ماريلاند، باستخدام روبوت مجهز بماسح ليزري بـ 128 شعاعاً. وقد أجروا دورتين، إحداهما قصيرة والأخرى طويلة، مع إدخاء تغييرات محددة في البيئة، مثل فتح باب سيارة، أو وضع حقيبة ظهر على الأرض، أو دخول شخص إلى الإطار. نجح النظام في تحديد 97.8 بالمائة من هذه التغييرات الواقعية عبر مجموعات البيانات. وفي المقابل، اكتشفت الطرق القديمة التي تقارن المسحات الفردية بالخريطة جزءاً ضئيلاً فقط من هذه التغييرات، بينما كانت الطرق التي تنتظر انتهاء المهمة بأكملها بطيئة جداً بحيث لا يمكن الاستفادة منها في التخطيط الفوري. كما اختبر الباحثون نظامهم مقابل خوارزمية "أوفلاين" (غير متصلة) متطورة على مجموعة بيانات عامة لموقف سيارات، ووجدوا أن طريقتهم التي تعمل "أونلاين" (في الوقت الفعلي) اتفقت مع الخوارزمية في اكتشاف ما يقرب من 90 بالمائة من التغييرات، مما أكد أن اكتشافاتهم الفورية دقيقة وموثوقة.

تتمثل إحدى نقاط القوة الرئيسية لهذا النهج في كفاءته؛ فمن خلال التركيز فقط على الأجزاء ذات الصلة من الخريطة في أي لحظة، يتجنب النظام العبء الحسابي لمعالجة البيئة بأكملها في وقت واحد. ووجد الباحثون أن طريقتهم يمكنها اكتشاف التغييرات في أقل من دقيقة واحدة، وهي سرعة تسمح بالاستجابة الفورية. كما أثبتوا أن كل مكون من مكونات نظامهم، بدءاً من طريقة تعريف المشاهد وصولاً إلى المرشحات التي تزيل الإنذارات الكاذبة، يلعب دوراً حاسماً. فعندما قاموا بإزالة الخطوة التي تصفي الضوضاء عند مستوى الأرض، بدأ النظام في الإبلاغ عن العديد من التغييرات الكاذبة الناتجة عن الانعكاسات أو التضاريس غير المستوية. وعندما أزالوا خطوة التحقق من العوائق البصرية، ارتفع عدد الإنذارات الكاذبة بشكل هائل، حيث سجل النظام مئات التغييرات الوهمية في كل جلسة. وقد أظهر هذا الاختبار الصارم أن الجمع بين تفكيك المشهد، وتوليد الخرائط الفرعية الكثيفة، والتصفية الدقيقة، أمر ضروري للأداء الدقيق.

تشير النتائج إلى أن الروبوتات يمكنها الآن الحفاظ على فهم ديناميكي لعالمها دون الحاجة إلى تخزين أو معالجة كمية لا نهائية من البيانات. فالنظام مصمم ليكون فعالاً من حيث استهلاك الذاكرة، حيث يقوم بتحميل النقاط المحددة المطلوبة للمقارنة الحالية فقط، مما يمنع الكمبيوتر من الارتباك مع تقدم الروبوت في المسير. وتعد هذه القدرة قيمة بشكل خاص في المهمات طويلة الأمد حيث قد تتغير البيئة بشكل غير متوقع. وقد أطلق الباحثون كود البرمجة الخاص بهم كمصدر مفتوح، مما يسمح للآخرين بالبناء على هذا الأساس. وبينما يركز العمل الحالي على التغييرات الهندسية، يشير المؤلفون إلى أن الأنظمة المستقبلية يمكن أن تجمع بين هذا الوعي المكاني الدقيق والفهم الدلالي، مما يسمح للروبوتات ليس فقط برؤية أن شيئاً ما قد تحرك، بل بفهم ماهية ذلك الشيء ولماذا يمثل أهمية. وفي الوقت الحالي، يعد هذا الإنجاز قدرة قوية وفورية على رؤية العالم يتغير، مشهداً تلو الآخر.