Deployment-Aware Codec Selection for Learned RGB-D Compression in Edge--Cloud 3D Reconstruction

في عالم التصوير الرقمي الحديث، تفعل الكاميرات أكثر من مجرد التقاط صورة مسطحة للعالم. فالعديد من الأجهزة، من الهواتف الذكية إلى المستشعرات المتخصصة، تسجل الآن شيئين في آن واحد: لون المشهد والمسافة إلى كل نقطة بداخله. هذا المزيج، المعروف باسم بيانات RGB-D، ينشئ خريطة ثلاثية الأبعاد غنية تسمح للحواسيب بفهم شكل وتخطيط غرفة، أو غابة، أو شارع. ومع ذلك، فإن هذه الطبقة الإضافية من معلومات العمق تأتي بثمن باهظ: فهي تضاعف كمية البيانات التي يجب تخزينها أو إرسالها. وعندما يتم التقاط هذه البيانات على جهاز صغير يعمل بالبطارية مثل طائرة بدون طيار (درون) أو روبوت وتحتاج إلى إرسالها إلى حاسوب قوي في السحابة لمعالجتها، يصبح التحدي هو كيفية تقليص حجم الملف دون فقدان التفاصيل الحيوية اللازمة لإعادة بناء الشكل ثلاثي الأبعاد لاحقاً.

لسنوات، حاول المهندسون حل هذه المعضلة من خلال إيجاد التوازن المثالي بين حجم الملف وجودة الصورة. وقد طوروا برامج حاسوبية متقدمة، تُسمى غالباً "الترميزات المتعلمة" (learned codecs)، والتي تستخدم الذكاء الاصطناعي للتنبؤ بالصور وضغطها بكفاءة أكبر من الطرق التقليدية. كان النهج القياسي هو البحث عن الخوارزمية التي تنتج أصغر ملف لأوضح صورة، بافتراض أنه إذا نجحت التجربة في محاكاة حاسوبية، فستنجح في العالم الحقيقي. لكن هذا الافتراض غالباً ما يفشل عندما يتعين على البيانات الانتقال من جهاز صغير محدود الطاقة إلى خادم بعيد. فالعالم الحقيقي يفرض قيوداً فيزيائية: قد لا يمتلك الجهاز ذاكرة كافية لتشغيل برنامج معقد، أو قد لا يكون البرنامج متوافقاً مع عتاد الجهاز (hardware)، أو قد يكون الوقت الذي يستغرقه ضغط الصورة طويلاً جداً بالنسبة لبث فيديو مباشر. فالطريقة التي تبدو مثالية على الرسم البياني قد تصبح عديمة الفائدة إذا لم تتمكن فعلياً من العمل على الجهاز الذي يحتاج لإرسال البيانات.

لقد سعى فريق من الباحثين في معهد هاربين للتكنولوجيا وجامعة داليان للتكنولوجيا إلى إصلاح هذا الانفصال. فبدلاً من مجرد البحث عن أفضل أرقام للضغط، صمموا طريقة جديدة لاختيار أداة الضغط التي يجب استخدامها. لقد عاملوا القدرة على تشغيل البرنامج فعلياً على جهاز معين كمتطلب أساسي، تماماً مثل جودة الصورة. كان هدفهم بناء نظام متكامل حيث تلتقط كاميرا على جهاز طرفي (edge device) مشهداً ثلاثي الأبعاد، ثم تضغطه، وترسله عبر شبكة، ليتم إعادة بنائه إلى سحابة نقاط ملونة ثلاثية الأبعاد على خادم سحابي، كل ذلك مع احترام القيود الصارمة للعتاد.

بدأ الباحثون باختبار أربعة أنواع مختلفة من نماذج الضغط القائمة على الذكاء الاصطناعي على مجموعة بيانات قياسية لمشاهد داخلية. وقاسوا مدى صغر حجم الملفات ومدى وضوح الصور. وكما هو متوقع، فإن النماذج الأكثر تعقيداً، والتي استخدمت هياكل رياضية متطورة للتنبؤ بقيم البكسل، أنتجت أصغر الملفات وأعلى جودة. أحد هذه النماذج المتقدمة، التي استخدمت تقنية "الانتباه" (attention) للتركيز على التفاصيل المهمة، حقق درجة جودة عالية جداً بمعدل بيانات منخفض للغاية. ومع ذلك، عندما نظر الباحثون في المدة التي تستغرقها هذه النماذج للعمل على جهاز حقيقي، تغيرت الصورة. فالنموذج الأكثر قوة كان بطيئاً بشكل مذهل، حيث استغرق وقتاً طويلاً لمعالجة كل إطار لأنه كان عليه حساب القيم في تسلسل صارم خطوة بخوة، وهو ما لم يستطع عتاد الجهاز تسريعه.

ثم طبق الفريق طريقة الاختيار الجديدة الخاصة بهم، والتي تستبعد أي نموذج لا يمكنه تلبية قيود العالم الحقيقي المحددة. بحثوا عن النماذج التي يمكنها العمل ضمن حد زمني معين، وتناسب ذاكرة الجهاز، وتتوافق مع أدوات البرمجيات المتاحة على الجهاز. ووجدوا أن النموذج الأسرع والأكثر كفاءة كان في الواقع نموذجاً أبسط؛ حيث استخدم نهجاً رياضياً مباشراً يمكن لعتاد الجهاز التعامل معه بسرعة كبيرة. وبينما أنتج هذا النموذج الأبسط ملفات أكبر قليلاً وجودة أقل قليلاً من النموذج المعقد، إلا أنه كان أسرع بكثير. في الواقع، كان النموذج المعقد أبطأ بأكثر من ستين مرة في التحضير للنشر مقارنة بالنموذج الأبسط. وخلص الباحثون إلى أنه بالنسبة لنظام حقيقي، فإن النموذج "الأفضل" ليس هو صاحب أعلى جودة نظرية، بل هو النموذج الذي يمكنه العمل بسرعة كافية لمواكبة الكاميرا.

ولإثبات ذلك، بنى الفريق نظاماً كاملاً يعمل باستخدام لوحة حاسوبية صغيرة وقوية تسمى "Jetson TX2" لتعمل كجهاز طرفي. قاموا ببرمجتها لالتقاط صور ملونة وعمق، وضغطها باستخدام نموذجهم الأبسط المختار، وإرسال البيانات عبر شبكة محلية. وفي الطرف الآخر، قام خادم سحابي بفك تشفير البيانات وتحويلها مرة أخرى إلى سحابة نقاط ثلاثية الأبعاد. وقاسوا كل خطوة في هذه الرحلة، من لحظة التقاط الكاميرا للصورة إلى لحظة ظهور الشكل ثلاثي الأبعاد على الشاشة. نجح النظام في تقديم عرض ثلاثي الأبعاد معاد بناؤه بمعدل يقترب من ثلاثين إطاراً في الثانية، مع تأخير إجمالي قدره تسعون مللي ثانية فقط. وهذه السرعة كافية للعديد من التطبيقات التفاعلية، مثل التواجد عن بُعد في الوقت الفعلي أو رسم الخرائط اللحظي.

كما قارن الباحثون نظامهم الجديد بأدوات الضغط التقليدية الراسخة والمدمجة بالفعل في العتاد. هذه الأدوات القديمة، التي تتعامل مع الألوان والعمق بشكل منفصل، كانت أسرع بكثير، حيث ضغطت الصور في ما يزيد قليلاً عن عشرة مللي ثوانٍ. ومع ذلك، كانت تتطلب بيانات أكثر قليلاً لتحقيق مستوى مماثل من الجودة. أما النظام الجديد القائم على الذكاء الاصطناعي، ورغم كونه أبطأ، فقد تمكن من إنتاج إعادة بناء ثلاثية الأبعاد مع أخطاء أقل في قياسات العمق، مما يعني أن الأشكال ثلاثية الأبعاد كانت أكثر دقة. أظهر هذا التبادل أن الطريقة الجديدة يمكن أن تكون بديلاً قابلاً للتطبيق عندما تكون الأولوية لدقة الشكل ثلاثي الأبعاد بدلاً من سرعة المعالجة المطلقة.

كان جزء رئيسي من نجاحهم هو كيفية إدارة البرمجيات على الجهاز. لم يحاولوا إجبار برنامج الذكاء الاصطناعي المعقد بالكامل على العمل على معالج الرسوميات المتخصص في الجهاز، بل قاموا بتقسيم العمل. تم تحويل الأجزاء الرئيسية من البرنامج التي تقوم بتحويل الصورة لتعمل بكفاءة على عتاد الجهاز، بينما تمت معالجة الخطوة النهائية المتمثلة في حزم البيانات في تدفق بواسطة طبقة برمجية مختلفة ومتوافقة. سمح هذا النهج الهجين بالحصول على فوائد السرعة من العتاد دون التعثر في أجزاء البرمجيات التي لا يستطيع العتاد التعامل معها. ووجدوا أن هذه الطريقة المحددة لتنظيم البرمجيات كانت حاسمة؛ إذ إن محاولة تشغيل البرنامج بأكم له بطريقة واحدة غير محسنة كانت ستكون بطيئة جداً.

كما بحثت الدراسة في كيفية سلوك البيانات أثناء انتقالها عبر الشبكة. أرسلوا الصور المضغوطة في حزم صغيرة، على غرار طريقة عمل خدمات بث الفيديو، وتحققوا من كيفية تعامل النظام مع التأخير أو فقدان البيانات. ووجدوا أن النظام كان قوياً، وقادراً على إعادة تجميع الصور بشكل صحيح حتى عندما لم تكن ظروف الشبكة مثالية. بلغ إجمالي الوقت الذي استغرقته الصورة للانتقال من الكاميرا إلى إعادة البناء ثلاثي الأبعاد النهائي حوالي واحد وتسعين مللي ثانية في المتوسط. ويشمل ذلك الوقت المستغرق لالتقاط الصورة، وضغطها، وإرسالها، وإعادة بنائها. وأشار الباحثون إلى أن أكبر تباين في هذا الوقت جاء من عملية نقل الشبكة نفسها، وهو أمر متوقع، لكن النظام ظل مستقراً ومتسقاً.

في نهاية المطاف، أثبت الباحثون أن اختيار أداة الضغط ليس مجرد مسألة رياضية لإيجاد أصغر ملف، بل هو مسألة تصميم نظام يجب أن تأخذ في الاعتبار الحدود الفيزيائية للجهاز، وسرعة العتاد، ومتطلبات المهمة النهائية. ومن خلال معاملة القدرة على نشر البرمجيات كجزء جوهري من القرار، تمكنوا من اختيار نموذج يوازن بفعالية بين الجودة والسرعة واستخدام الموارد. يوفر عملهم مخططاً واضحاً لكيفية بناء هذه الأنظمة من الطرف إلى السحابة، موضحاً أن الحل الأفضل هو غالباً ذلك الذي يناسب الآلة، وليس فقط ذلك الذي يفوز في مسابقة نظرية. والنتيجة هي نظام عملي قادر على التقاط وضغط وإعادة بناء المشاهد ثلاثية الأبعاد في الوقت الفعلي، مما يسد الفجوة بين الذكاء الاصطناعي المتقدم والقيود الفيزيائية للأجهزة التي تحمله.