Geometry-aware attention for robust visual odometry

للتنقل في العالم، يحتاج الروبوت أو السيارة ذاتية القيادة إلى معرفة أين هو وإلى أين يتجه. لا يمكنه الاعتماد على خريطة يمتلكها بالفعل، لأنه غالباً ما يدخل بيئة جديدة وغير معروفة. بدلاً من ذلك، يجب عليه استنتاج حركته من خلال مراقبة العالم وهو يمر عبر الكاميرا. هذه العملية، المعروفة باسم "القياس البصري للمسافة" (visual odometry)، تشبه شخصاً يسير في غرفة مظلمة ويحاول تخمين مساره من خلال تحسس الجدران ومراقبة كيفية تحرك الأثاث في رؤيته المحيطية. لعقود من الزمن، حاول العلماء تعليم الآلات القيام بذلك من خلال إعطائها مجموعتين مختلفتين من القواعد. إحدى مجموعات القواعد تخبر الآلة أن تنظر إلى المشهد بأكمله ككل، وتلاحظ كيف تتغير الإضاءة والألوان عبر الصورة بأكملها. هذا جيد لرؤية الصورة الكبيرة، لكنه قد يرتبك إذا تغيرت الإضاءة أو إذا تحركت الكاميرا بسرعة كبيرة. أما مجموعة القواعد الأخرى فتخبر الآلة أن تركز فقط على النقاط الحادة والمتميزة، مثل زاوية طاولة أو طوبة محددة في جدار. هذا دقيق جداً، ولكنه يفشل تماماً إذا كان الجدار أملس أو إذا اتسخت عدسة الكاميرا.

لفترة طويلة، اضطر المهندسون للاختيار بين هذين النهجين، وقبول فكرة أن الآلة ستكون إما جيدة في رؤية الصورة الكبيرة أو جيدة في تتبع التفاصيل الحادة، ولكن نادراً ما تجمع بينهما. هذا القصور يعني أن الروبوتات غالباً ما كانت تتعثر عند مواجهة فوضى العالم الحقيقي، مثل القيادة تحت المطر، أو السير في غرفة مزدحمة، أو طيران طائرة بدون طيار عبر ممر ضيق وخالٍ من المعالم. والآن، اقترح فريق من الباحثين من البرازيل وكندا طريقة جديدة لحل هذه المشكلة. فقد بنوا نظاماً لا يضطر فيه الاختيار؛ بدلاً من ذلك، يتعلم النظام استخدام كل من الرؤية الواسعة للعالم والنقاط الحادة المحددة في آن واحد، ويدمجهما معاً بحيث تغطي نقاط قوة إحدى الطريقتين نقاط ضعف الطريقة الأخرى.

قام الباحثون، بقيادة هادسن برونو وزملائه، بإنشاء بنية جديدة أطلقوا عليها اسم DDI-VO. يشير الاسم إلى "القياس البصري للمسافة المباشر وغير المباشر العميق" (Deep Direct-Indirect Visual Odometry)، وهو ما يصف كيفية عمل النظام. يتكون النظام من جزأين رئيسيين يعملان بالتوازي. يعمل الجزء الأول كمراقب واسع الزاوية؛ فهو ينظر إلى زوج الصور بالكامل، مستوعباً تدفق الضوء، وملمس الأرض، والشكل العام للبيئة. هذا الجزء جيد جداً في فهم السياق، مثل معرفة أن السيارة تتحرك للأمام لأن الطريق يمتد أمامها، حتى لو كان الطريق مبتلاً وضبابياً. أما الجزء الثاني فيعمل كمتتبع دقيق للتفاصيل؛ فهو يجد نقاطاً محددة وحادة في الصورة، مثل زاوية مبنى أو نمط مميز على جدار، ويتتبعها عن كثب. هذا الجزء ممتاز في قياس المسافات الدقيقة، ولكنه قد يفقد مساره إذا كان الجدار أبيض سادة أو إذا اهتزت الكاميرا كثيراً.

تكمن عبقرية تصميمهم في كيفية تواصل هذين الجزأين مع بعضهما البعض. في منت وسط النظام، توجد آلية تقرر مدى الثقة في الرؤية واسعة الزاوية مقابل النقاط الحادة في أي لحظة معينة. تخيل ملاحاً يسير في مدينة؛ أحياناً ينظر الملاح إلى الأفق ليعرف الاتجاه الذي يواجهه، وأحياناً أخرى ينظر إلى لافتة شارب محددة ليعرف مكانه بالضبط. يقوم النظام الجديد بذلك تلقائياً. فإذا كانت عدسة الكاميرا مغطاة بقطرات الماء، يتعلم النظام تجاهل النقاط الضبابية والمشوهة التي تسببها المياه والاعتماد أكثر على الشكل العام للمشهد. وإذا كانت الكاميرا تتحرك عبر ممر طويل أبيض خالٍ من المعالم، ينتقل النظام بتركيزه إلى التغييرات الطفية في الصورة بأكملها بدلاً من محاولة البحث عن نقاط محددة غير موجودة. هذه القدرة على تغيير التركيز ديناميكياً تسمح للآلة بالاستمرار في التحرك للأمام حتى عندما تكون الظروف البصرية سيئة للغاية.

لتعليم النظام كيفية اتخاذ هذه القرارات، استخدم الباحثون استراتيجية تدريب ذكية. لم يلقوا بالآلة مباشرة في محاكاة قيادة معقدة، بل بدأوا بمهمة أبسط؛ حيث علموا النظام كيفية تحرك وانثناء الأسطح المسطحة، مثل قطعة ورق أو جدار، عندما تتغير زاوية الكاميرا. هذه مهارة هندسية أساسية تساعد الآلة على فهم كيفية ارتباط الأشكال ببعضها البعض في الفضاء. وبمجرد أن أتقن النظام هذه الهندسة الأساسية، علّموه المهمة الأصعب وهي تحديد كيفية تحرك الكاميرا بدقة عبر بيئة ثلاثية الأبعاد. هذه العملية التعليمية التدريجية، التي يسميها المؤلفون "المنهج الدراسي" (curriculum)، ضمنت أن يمتلك النظام أساساً متيناً من الفهم الهندسي قبل أن يتعامل مع واقع الفيديو الفوضوي.

اختبر الباحثون نظامهم الجديد على مجموعة متنوعة من مجموعات البيانات الصعبة التي تمثل سيناريوهات مختلفة من العالم الحقيقي. استخدموا بيانات من سيارات تسير على الطرق السريعة، وطائرات بدون طيار تطير داخل غرف مغلقة، وكاميرات محمَدة باليد تتحرك عبر مساحات مزدحمة. وفي كل حالة، قارنوا نظامهم بأفضل الأساليب الموجودة. أظهرت النتائج أنه بينما كانت الأنظمة الأخرى تفشل بشكل دراماتيكي عندما تصبح الظروف صعبة، ظل النظام الجديد مستقراً. فعلى سبيل المثال، في الاختبارات التي كانت فيها عدسة الكاميرا مغطاة بالماء أو تغيرت الإضاءة فجأة، استمر النظام الجديد في تتبع المسار بدقة، بينما كانت الأساليب القديمة تفقد طريقها وتضل المسار. وكان النظام مثيراً للإعجاب بشكل خاص في البيئات الداخلية حيث توجد معالم قليلة متميزة للتتبع، وهو موقف تفشل فيه الأساليب التقليدية عادةً.

كما بحثت الدراسة بدقة في كيفية اتخاذ النظام لقراراته. ومن خلال تصور ما كان النظام "ينظر إليه"، وجد الباحثون أنه تعلم تجاهل الأشياء التي قد تضلل المراقب البشري. فعندما كانت الكاميرا تتحرك في شارع به سيارات متحركة، تعلم النظام التركيز على الطريق والمباني الثابتة، متجاهلاً المركبات المتحركة التي يمكن أن تخدع عملية التتبع. وعندما كانت العدسة مبللة، تعلم كبت البقع الضبابية الناتجة عن قطرات الماء. وهذا يشير إلى أن النظام لا يحفظ الأنماط فحسب، بل يتعلم حقاً القواعد الأساسية للهندسة والحركة؛ لقد تعلم التمييز بين ما هو معلم موثوق وما هو مجرد ضجيج بصري.

تشير النتائج إلى أن مستقبل ملاحة الروبوتات لا يكمن في الاختيار بين أنواع مختلفة من المستشعرات أو الخوارمايزمات، بل في دمجها بذكاء. فمن خلال دمج الرؤية الواسعة المدركة للسياق مع الرؤية الدقيقة الموجهة للتفاصيل، أنشأ الباحثون نظاماً قوياً بما يكفي للتعامل مع الطبيعة غير المتوقعة للعالم الحقيقي. ورغم أن النظام ليس مثالياً ولا يزال يواجه تحديات في الظروف القصوى، إلا أنه يمثل خطوة كبيرة للأمام في جعل الآلات ذاتية القيادة قادرة على التنقل بأمان وموثوقية، سواء كانت تقود سيارة، أو تطير بطائرة بدون طيار، أو توجه روبوتاً عبر مستشفى مزدحم. إن هذا العمل يثبت أنه من خلال تعليم الآلات موازنة الصورة الكبيرة مع التفاصيل الصغيرة، يمكننا بناء أنظمة أكثر مرونة بكثير من مجموع أجزائها.