A Disparity-Gated Vision-Language Prior for Metric Scale in Monocular Visual Odometry

تخيل أنك تسير في مدينة وعيناك مغمضتان، ولكن لديك قوة خارقة: يمكنك الشعور بتغير ضغط الهواء لتخمين المسافة التي قطعتها. يشبه هذا إلى حد كبير كيف "يرى" الروبوت العالم باستخدام كاميرا واحدة فقط. في مجال الروبوتات والرؤية الحاسوبية، يُسمى هذا تقدير المسافة البصري أحادي الكاميرا (Monocular Visual Odometry). يقوم الروبوت بالتقاط صور، ويجد نقاطاً متطابقة بينها (مثل رصد نفس الشجرة في صورتين)، ويستخدم الهندسة ليعرف كيف تحرك.

إليك الجزء الصعب: الكاميرا الواحدة تشبه رسماً مسطحاً لعالم ثلاثي الأبعاد. يمكنها أن تخبر الروبوت عن الاتجاه الذي انعطف فيه أو تحرك، لكنها لا تستطيع إخباره بالمسافة التي قطعها. الأمر يشبه معرفة أنك مشيت "للأمام" ولكن ليس معرفة ما إذا كنت قد خطوت خطوة عملاقة أو مجرد زحفة صغيرة. وبدون معرفة المسافة الحقيقية، سيصبح خريطة العالم الخاصة بالروبوت ممدودة أو مضغوطة، مما يجعلها عديمة الفائدة لمهام حقيقية مثل قيادة سيارة أو التنقل في ممر. لسنوات، حاول العلماء إصلاح "مشكلة المقياس" هذه عن طريق إضافة مستشعرات إضافية (مثل الكاميرات الستيريو أو نظام GPS) أو التخمين بناءً على كيفية ظهور العمق للأشياء. ولكن ماذا لو استطعنا فقط سؤال ذكاء اصطناعي فائق الذكاء، مدرب على ملايين الصور والنصوص: "مهلاً، كم تبعد تلك السيارة؟" واستخدام إجابته لإصلاح الخريطة؟

يستكشف هذا البحث هذه الفكرة تحديداً. قرر الباحثان، علي رضا غسيمية ورشا كاشف من جامعة تورنتو متروبوليتان، اختبار ما إذا كان نموذج رؤية-لغة (VLM) حديث — وهو نوع من الذكاء الاصطناعي الذي يمكنه "رؤية" صورة والتحدث عنها — يمكن أن يعمل كمسطرة لكاميرا الروبوت. لم يكتفوا بسؤال الذكاء الاصطناعي للتخمين فحسب؛ بل بنوا نظاماً ذكياً للتحقق مما إذا كان تخمين الذكاء الاصطناعي منطقياً من الناحية الهندسية قبل الوثوق به.

المشكلة: عالم الروبوت "المسطح"

فكر في كاميرا الروبوت كمحقق يحاول حل لغز الحركة. عندما يلتقط الروبوت صورتين بفاصل زمني بسيط، يمكنه أن يرى أن مبنى قد تحرك قليلاً في الإطار. باستخدام الرياضيات، يعرف أن المبنى قد تحرك نسبياً بالنسبة للكاميرا. ولكن بدون مسافة معروفة، لا يعرف المحقق ما إذا كان المبنى يبعد 10 أمتار وقد تحرك الروبوت متراً واحداً، أو أن المبنى يبعد 100 متراً وقد تحرك الروبوت 10 أمتار. الرياضيات تعمل بشكل مثالي في كلتا الحالتين. هذه هي "مشكلة غموض المقياس".

لإصلاح ذلك، استخدم الفريق "دماغ روبوت" قياسي (يُسمى SWiFT-VO) لمعرفة اتجاه الحركة، لكنهم استبدلوا جزء "المسطرة". بدلاً من استخدام مقياس أرضي مثالي ومقاس مسبقاً (والذي لا يمتلكه الروبوت في العالم الحقيقي)، جربوا خمس طرق مختلفة لتخمين المسافة.

المتسابقون: خمس طرق لتخمين المسافة

أقام الباحثون سباقاً لخمس "استراتيجيات تخمين" لمعرفة أي منها يمكن أن يخبر الروبوت بشكل أفضل عن المسافة التي قطعها. وقد اختبروا هذه الاستراتيجيات على مجموعة بيانات KITTI الشهيرة، وهي مجموعة من فيديوهات القيادة من سيارات حقيقية.

1. "القاعدة العامة" (Heuristic): نظرت هذه الطريقة إلى متوسط عمق المشهد (مدى "عمق" الصورة) وضربته في رقم ثابت. كان الأمر يشبه تخمين المسافة إلى صديق بناءً على حجمه في صورة، ولكن باستخدام قاعدة عامة لا تتغير مع السرعة.
2. "الخريطة الكثيفة" (Dense Triangulation): حاولت هذه الطريقة استخدام خريطة عمق مدربة مسبقاً لملء الصورة بأكملها بالمسافات. كان الأمر يشبه محاولة قياس غابة كاملة عن طريق تخمين ارتفاع كل شجرة فيها دفعة واحدة.
3. "الجار الأقرب" (C1): اختارت أقرب نقطة إلى جسم رصده الذكاء الاصطناعي وحاولت قياسه.
4. "مخروط الرؤية" (C2): نظرت إلى جميع النقاط في مخروط أمامي وحاولت حساب متوسطها.
5. "متتبع المرساة الثابتة" (C3): كان هذا هو نجم العرض. بدلاً من التخمين عشوائياً، اختارت هذه الطريقة جسماً معيناً (مثل سيارة أو لافتة)، وتتبعت ذلك الجسم عبر إطارين، وسألت الذكاء الاصطناعي "كم تبعد تلك السيارة؟"، ثم استخدمت هندسة الروبوت الخاصة للتحقق مما إذا كانت تلك الإجابة منطقية.

الفائز: C3 و"بوابة التباين"

كانت النتائج مزيجاً من لحظات "يا للخطأ!" ولحظات "وجدتها!". فشلت أساليب "القاعدة العامة" و"الخريطة الكثيفة" فشلاً ذريعاً. كانت أشبه بمحاولة قياس ماراثون بمسطرة مخصصة لطاولة مطبخ؛ كانت الأرقام خاطئة تماماً لأن الافتراضات لم تصمد في ظروف القيادة الحقيقية.

جاء الاختراق الحقيقي مع C3، متتبع "المرساة الثابتة". إليك كيف عمل:

• نظر الذكاء الاصطناعي (تحديداً نموذج يسمى Qwen2.5-VL-7B) إلى سيارة في الصورة الأولى وقال: "تلك السيارة تبعد حوالي 20 متراً".
• تتبع الروبوت نفس السيارة تماماً في الصورة التالية.
• حسب الروبوت مقدار حركة السيارة في الصورة (التباين/Disparity).
• إذا قالت الرياضيات: "مهلاً، إذا كانت السيارة تبعد 20 متراً، فمن المفترض أن تتحرك بهذا القدر في الصورة"، وأظهرت الصورة أنها تحركت بهذا القدر بالفعل، فإن النظام يقبل المسافة.

ومع ذلك، فإن الذكاء الاصطناعي ليس مثالياً. أحياناً يخطئ في التخمين، أو تكون السيارة بعيدة جداً بحيث يصعب تتبعها بوضوح. للتعامل مع هذا، أضاف الباحثون "بوابة التباين" (Disparity Gate). فكر في هذه البوابة كحارس عند ملهى ليلي؛ فهي تتحقق من "التباين" (مقدار حركة الجسم في الصورة). إذا كانت الحركة ضئيلة جداً (الجسم بعيد جداً أو الروبوت لم يتحرك بما يكفي) أو كانت فوضوية للغاية، تقول البوابة: "لا، تخمينك غير موثوق"، ويعود النظام إلى "القاعدة العامة" البسيطة في تلك اللحظة.

النتائج: اقتربنا، لكننا لم نصل بعد

عندما أجروا الاختبارات على ثمانية مسارات قيادة مختلفة، كانت النتائج مشجعة ولكنها حذرة:

• نجحت طريقة "المرساة الثابتة" (C3) في استعادة حوالي 64% من المسافة الحقيقية في المتوسط. وهذا تحسن هائل مقارنة بالتخمينات البسيطة التي كانت بعيدة جداً عن الواقع.
• جعلت "بوابة التبايد" الأمر أفضل، حيث رفعت متوسط الاستعادة إلى 71%.
• اختبر الباحثون أيضاً "بوابة ذكية" تعدل نفسها تلقائياً، والتي حققت 69%.

ولكن إليكم الجزء الأهم من القصة: الورقة البحثية تنفي صراحةً فكرة أن هذا الحل مثالي.

حتى مع أفضل طريقة، لم يكن مسار الروبوت دقيقاً كما لو كان لديه مسطرة مثالية (التي استخدموها فقط للمقارنة). في الواقع، في بعض المسارات الصعبة حيث كانت السيارة تنعطف أو تتحرك ببطء، واجه النظام صعوبة في تتبع الأجسام، وانخفضت تقديرات المسافة بشكل كبير.

اكتشف المؤلفون أيضاً فخاً خفياً في كيفية قياس النجاح. وجدوا أنه في مقطع قصير مدته 100 إطار، قد تبدو الطريقة التي تقلل من تقدير المسافة وكأنها تمتلك درجة خطأ "أفضل" من الحقيقة الأرضية المثالية. لماذا؟ لأنه إذا كان الروبوت يتحرك في الاتجاه الخاطئ (بسبب انعطاف)، فإن اتخاذ خطوات أصغر (تقليل المقياس) يبقيه بالصدفة أقرب إلى المكان الصحيح لفترة قصرة. إنه يشبه المشي في دائرة؛ إذا خطوت خطوات صغيرة، ستظل أقرب إلى المركز مما لو خطوت خطوات واسعة وواثقة في الاتجاه الخاطئ. تحذرنا الورقة من أن النظر في درجات الخطأ قصيرة المدى قد يكون مضللاً؛ نحن بحاجة للنظر إلى الرحلة بأكملها.

الخلاصة

لا تدعي هذه الورقة أنها حلت "مشكلة المقياس" نهائياً. بدلاً من ذلك، هي تظهر مساراً واعداً. من خلال الجمع بين ذكاء اصطناعي ذكي يمكنه "التحدث" عن المسافات مع فحص هندسي صارم (البوابة)، يمكن للروبوتات الحصول على إحساس أفضل بكثير بالمسافة التي قطعتها باستخدام كاميرا واحدة فقط.

يخلص المؤلفون إلى أنه بينما لا يمكننا بعد استبدال المستشعرات باهظة الثمن بـ "روبوت دردشة"، يمكننا الحصول على استعادة جزئية للمقياس المتري. النظام موثوق عندما يستطيع الذكاء الاصطناعي تتبع جسم واضح وتتحقق الهندسة من ذلك، لكنه لا يزال بحاجة إلى خطة بديلة عندما تصبح الأمور ضبابية أو يرتبك الذكاء الاصطناعي. إنها خطوة للأمام، تثبت أن الذكاء الاصطناعي يمكنه مساعدة الروبوتات في قياس العالم، لكنه ليس عصا سحرية تصلح كل شيء فوراً. إن الرحلة نحو خريطة روبوت ذات مقياس مثالي مستمرة، لكن هذه الدراسة قد سلمت المستكشفين بوصلة أفضل.