Semantic Segmentation as the Detector for Search Problems

تخيل أنك محقق يحاول العثور على كنز مخفي في مدينة ضخمة وفوضوية. في الأيام الخوالي، كان المحققون يستخدمون قواعد بسيطة: "إذا رأيت قبعة حمراء، فالكنز هنا. وإذا لم ترها، فهو ليس هنا". كان هذا يعمل بشكل جيد إذا كان الكنز شيئًا واحدًا واضحًا. ولكن ماذا لو كان الكنز عبارة عن "مكان آمن لهبوط روبوت طائر"؟ المكان الآمن ليس مجرد شيء واحد؛ بل هو مزيج من الأرض المسطحة، وعدم وجود أشخاص، وعدم وجود مياه، وعدم وجود سيارات. وللعثور عليه، يحتاج الروبوت الخاص بك إلى عين فائقة الذكاء يمكنها النظر إلى شارع كامل وفهم ما يفعله كل طوبة، وكل ورقة شجر، وكل شخص. هذا ما يسمى بـ "التجزئة الدلالية" (semantic segmentation)، وهي تشبه منح الروبوت دماغًا يمكنه قراءة العالم مثل كتاب قصص مصورة، حيث يضع تسمية توضيحية لكل بكسل مع قصة خاصة به.

ولكن هناك عقبة. عندما يطير الروبوت عاليًا، فإنه يرى الصورة الكبيرة ولكنه يفتقد التفاصيل الصغيرة. وعندما يطير منخفضًا، فإنه يرى شقوق الرصيف ولكنه قد يرتبك بسبب الظلال أو يفقد تتبعه للمكان. السؤال الكبير للعلماء هو: كيف نعلم الروبوت أن يثق في عينيه وهو يقترب ويبتعد؟ إذا نظر الروبوت إلى نفس البقعة من مكان مرتفع ثم من مكان منخفض، فهل هاتان النظرتان مختلفتان تمامًا، أم أنهما مرتبطان؟ إذا أخطأنا في هذه الحسابات الرياضية، فقد يعتقد الروبوت أن شارعًا مزدحمًا هو مكان وقوف آمن، أو قد يفوّت منطقة هبوط مثالية تمامًا. يتعمق هذا البحث في تلك الرياضيات المعقدة، محاولاً بناء قاعدة قواعد أفضل لكيفية تحديث الروبوت لدرجة ثقته أثناء البحث.

الفكرة الكبرى للبحث: تعليم الروبوتات كيفية "التقريب" دون ارتباك

هذا البحث، الذي كتبه باحثون من معهد التخنيون في إسرائيل، يتناول مشكلة محددة للغاية: كيفية استخدام كاميرا الروبوت فائقة الذكاء (شبكة التجزئة الدلالية) للعثور على مكان هبوط آمن في مدينة مزدحمة. أدرك المؤلفون أن الطريقة القديمة في التفكير حول مستشعرات الروبوت كانت بسيطة للغاية.

الطريقة القديمة مقابل الطريقة الجديدة
تقليديًا، كانت نظرية البحث تعامل مستشعرات الروبوت مثل مفتاح ضوء بسيط: إما أن المستشعر رأى الهدف (تشغيل) أو لم يره (إيقاف). وافترضت أن كل مرة ينظر فيها الروبوت إلى مكان ما، فإنها تكون تخمينًا جديدًا ومستقلاً. يجادل المؤلفون بأن هذا خطأ. تخيل أنك تنظر إلى صديق عبر نافذة ضبابية من بعيد، ثم تقترب منه لترى وجهه بوضوح. نظرتان "لا" ليستا مستقلتين؛ فنظرتك الثانية متأثرة بشدة بالأولى. إذا رأيت وجهًا ضبابيًا من بعيد، فإن دماغك مهيأ بالفعل لرؤية وجه عن قرب.

يجادل البحث بأن الدرون (الطائرة بدون طيار) عندما تطير فوق مدينة على ارتفاعات مختلفة، فإن ملاحظاتها تكون مرتبطة. الأخطاء التي ترتكبها على ارتفاع 100 متر مرتبطة بالأخطاء التي ترتكبها على ارتفاع 30 مترًا. استبعد المؤلفون صراحةً فكرة أن هذه الملاحظات هي "مستقلة ومتماثلة التوزيع" (IID)، وهي طريقة معقدة لقول "عشوائية وغير مرتبطة". وأظهروا أن افتراض كونها عشوائية يؤدي إلى قرارات سيئة.

الحل: تحديث رياضي "ذكي"
لإصلاح ذلك، ابتكر المؤلفون إطارًا رياضيًا جديدًا. بدلاً من مجرد مفتاح ضوء بسيط، يعاملون كاميرا الروبوت كـ "مستشعر ناعم" يعطي درجة احتمالية لكل بكسل في الصورة.

1. من البكسلات إلى الخلايا: يأخذون ملايين درجات البكسل هذه ويجمعونها في "خلايا" (مثل شبكة على خريطة).
2. الخدعة المكانية: وجدوا أن مجرد عد عدد البكسلات التي تبدو "آمنة" ليس كافيًا. يجب أن تعرف أين توجد تلك البكسلات. إذا كانت البكسلات "الآمنة" متناثرة مثل قصاصات الورق، فهي ليست مكان هبوط. أما إذا كانت متجمعة معًا في دائرة، فقد تكون كذلك. استخدموا أداة رياضية تسمى "الالتفاف" (convolution) (فكر فيها كختم يتحقق مما إذا كانت البكسلات الآمنة متجمعة معًا) لاتخاذ هذا القرار.
3. التحديث المرتبط: هذا هو الابتكار الجوهري. استخدموا نموذجًا إحصائيًا معقدًا يسمى التوزيع الثنائي المعمم (GBD). فكر في هذا كآلة حاسبة خاصة تتذكر تخمينات الروبوت السابقة. عندما تطير الدرون لأسفل وتحصل على نظرة جديدة، لا تقول هذه الحاسبة فقط "معلومات جديدة!" بل تقول: "حسنًا، لقد رأينا هذا من مكان مرتفع، والآن نراه من مكان منخفض. بما أن هاتين النظرتين متصلتان، فلنقم بتحديث ثقتنا بطريقة تأخذ هذا الاتصال في الاعتبار".

ماذا وجدوا؟
اختبر الباحثون أفكارهم بطريقتين: أولاً في محاكاة حاسوبية، وثانياً باستخدام مجموعة بيانات حقيقية أنشؤوها تسمى MESSI (مجموعة صور التجزئة الدلالية متعددة الارتفاعات). تحتوي هذه المجموعة على أكثر من 2500 صورة لمدينة التقطتها طائرة بدون طيار تطير بارتفاعات مختلفة: 100، 70، 50، و30 مترًا.

• فخ الارتفاع: اكتشفوا أن الطيران المنخفض ليس دائمًا أفضل. بينما تعطي الارتفاعات المنخفضة (مثل 30 مترًا) صورًا أكثر حدة، إلا أن الروبوت قد يرتبك بسبب الظلال أو يفقد "الصورة الكبيرة" والسياق. في محاكاتهم، عندما طارت الدرون تحت مستوى 30 مترًا، بدأ الروبوت يرتكب المزيد من الأخطاء، حيث اعتقد أن المناطق الآمنة غير آمنة بسبب الإضاءة السيئة أو نقص السياق.
• سر التدريب: كان الاكتشاف الأكثر أهمية يتعلق بكيفية تدريب دماغ الروبوت. إذا دربت الروبوت فقط على صور ملتقطة من ارتفاع 100 متر، فسيكون سيئًا جدًا في التعرف على الأشياء عندما يطير على ارتفاع 30 مترًا. وإذا دربته فقط على ارتفاع 30 مترًا، فسيفشل عند ارتفاع 100 متر.
  • الفائز: حقق الروبوت أفضل أداء عندما تم تدريبه على مزيج من الارتفاعات (تحديدًا 100 و70 و50 مترًا). سمح هذا "التدريب متعدد الارتفاعات" للروبوت بالتعامل مع تغيرات الرؤية بشكل أفضل بكثير من أي تدريب على ارتفاع واحد.
• أرقام الارتباط: قاموا بقياس مدى اتصال الر views بدقة. على سبيل المثال، كان الاتصال بين رؤيتي الـ 70 متر والـ 50 متر قويًا جدًا (قيمة ارتباط حوالي 0.48)، بينما كان الاتصال بين الـ 100 متر والـ 70 متر أضعف. استخدموا هذه الأرقام لضبط "رياضياتهم الذكية" حتى يقوم الروبوت بتحديث معتقداته بشكل صحيح.

النتيجة
باستخدام هذه الطريقة الجديدة، يمكن للروبوت أن يهبط من مكان مرتفع، يفحص بقعة ما، ثم يهبط لأسفل، ويفحصها مرة أخرى، ويدمج هاتين النظرتين في قرار واحد عالي الدقة حول ما إذا كان المكان آمنًا للهبوط. في اختباراتهم، حقق أفضل نموذج (الذي تم تدريبه على ارتفاعات متعددة) احتمالية عالية لتحديد مسار مشي آمن، في حين أن النماذج التي تدربت على ارتفاع واحد فقط غالبًا ما فشلت أو ارتبكت.

لماذا هذا مهم؟
هذا البحث لا يقول فقط "الروبوتات رائعة". بل يقدم طريقة رياضية صارمة ومثبتة للتعامل مع الواقع الفوضوي لرؤية الروبوت. إنه يوضح أنه لبناء روبوتات ذاتية القيادة حقًا يمكنها التنقل في المدن المعقدة، لا يمكننا الاعتماد فقط على مستشعرات بسيطة بنظام "نعم/لا". نحن بحاجة إلى فهم كيف ترتبط أخطاء مستشعراتنا عبر المسافات المختلفة وتدريب روبوتاتنا على توقع هذه الروابط. يشير المؤلفون إلى أن هذا النهج يمكن أن يكون المفتاح للسماح للطائرات بدون طيار بالهبوط بأمان في الأماكن المزدحمة دون الحاجة إلى إنسان يوجهها، مما يحول مشكلة بحث معقدة إلى لغز رياضي قابل للحل.