Lightweight Edge-Based Telemetry Parsing for Navigation Systems via Deterministic Spatial-Text (LODTE)

Resumen Técnico: Procesamiento de Telemetría Ligero Basado en el Borde para Sistemas de Navegación mediante Texto-Espacial Determinista (LODTE)

Declaración del Problema
Los métodos tradicionales para procesar la telemetría de navegación en tiempo real (como el Tiempo Estimado de Llegada y métricas de distancia) desde interfaces de mapas digitales dependen en gran medida de arquitecturas de visión centradas en la nube o de Redes Neuronales Convolucionales (CNN) que consumen muchos recursos. Los autores identifican tres limitaciones críticas en estos enfoques existentes:

1. Latencia de Red: La transmisión de ida y vuelta a servidores en la nube hace que el Reconocimiento Óptico de Caracteres (OCR) sea poco práctico para respuestas en el borde (edge) de sub-segundo, críticas para la seguridad.
2. Sobrecarga de Ancho de Banda: La transmisión continua de video requerida para el procesamiento en la nube demanda un ancho de banda de red significativo.
3. Riesgos de Privacidad: Transmitir la telemetría sensible de la pantalla o de la cabina fuera del dispositivo introduce vulnerabilidades de privacidad de datos.
   Además, los enfoques tradicionales de coincidencia de plantillas (template-matching) suelen fallar ante variaciones de escala o perspectiva, mientras que las redes neuronales pesadas sobrecargan los procesadores de bajo consumo en el borde.

Metodología: El Marco de Trabajo LODTE
El artículo propone el marco de trabajo LODTE (Lightweight Edge-Based Telemetry Parsing), una arquitectura de visión determinista y nativa del borde, diseñada para procesar elementos de la interfaz de usuario de navegación localmente sin dependencia de la nube. El sistema opera mediante un flujo de cuatro etapas optimizado para hardware con recursos limitados:

1. Preprocesamiento Optimizado para el Borde: Los fotogramas capturados mediante buffers de pantalla de alto rendimiento (usando mss) se convierten a escala de grises para minimizar la sobrecarga de procesamiento de canales. Se aplica un kernel de desenfoque gaussiano localizado para suprimir el ruido de alta frecuencia de los vectores de mapas y redes viales.
2. Delimitación Espacial-Textual Determinista: Esta etapa aisla las tarjetas de telemetría (por ejemplo, ETA/distancia) aplicando priors geométricos estrictos en lugar de detección basada en aprendizaje. El sistema filtra cajas delimitadoras con dimensiones específicas (ancho: 52–168px; alto: 38–54px). Para eliminar falsos positivos de artefactos del mapa, se aplica un filtro de validación de múltiples criterios:
   • Relación de Aspecto (AR): Impone una restricción de $1.5 \le AR \le 3.2$ para distinguir los banners de telemetría horizontales de los pines cuadrados o marcadores verticales.
   • Intensidad Media de la ROI ($\mu_{ROI}$): Requiere una intensidad media de píxel $> 210$ para asegurar que el objetivo sea un fondo claro de alto contraste, típico de las tarjetas de la interfaz de usuario activa.
   • Puntuación Central: Penaliza las anomalías en los bordes para asegurar un aislamiento robusto del objetivo.
3. Tokenización de Recursos Restringidos: Las regiones de interés (ROI) aisladas se reescalan mediante interpolación bicúbica (3×) para mejorar la definición de los bordes de la fuente. Los datos se pasan luego a un motor OCR Tesseract optimizado, configurado con bloques de texto uniformes (--psm 6), evitando la sobrecarga de la inferencia de aprendizaje profundo.
4. Perfilado de Latencia Acumulada: El marco incluye un perfilador integrado que mide el tiempo de ejecución en todas las etapas para garantizar el rendimiento en tiempo real.

Contribuciones Clave

• Delimitación Espacial-Textual Determinista: La introducción de un enfoque no neuronal basado en la geometría que impone estrictos priors dimensionales y de relación de aspecto para localizar elementos de la interfaz de usuario, eliminando la necesidad de modelos de detección de objetos pesados.
• Arquitectura Nativa del Borde: Un flujo de trabajo completo que elimina la sobrecarga de ida y vuelta a la nube, permitiendo la operación sin conexión y preservando la privacidad de los datos.
• Tokenización Optimizada: Un flujo de trabajo ligero que combina el escalado bicúbico 3× y la binarización adaptativa (método de Otsu) para lograr una alta fidelidad de reconocimiento con un consumo computacional mínimo.

Resultos Experimentales
Se llevó a cabo una evaluación empírica a través de varios escenarios de navegación, incluyendo trayectos de corta distancia, rutas regionales de media distancia y rutas complejas de larga distancia.

• Latencia: El sistema logró una latencia de procesamiento promedio por fotograma de 11.48 ms. En casos de prueba específicos, la latencia acumulada osciló entre 10.66 ms y 12.87 ms.
• Desglose de Etapas:
  • Preprocesamiento: ~2.14 ms (6.5% del tiempo total).
  • Delimitación Espacial: ~4.85 ms (14.7% del tiempo total).
  • Tokenización OCR: ~25.10 ms (76.2% del tiempo total).
• Precisión: El marco demostró una precisión de segmentación de caracteres del 100% en muestras verificadas con relaciones de aspecto consistentes. El éxito de la extracción fue alto para diseños de interfaz de usuario estándar, aunque los autores señalaron que las cajas delimitadoras con padding irregular o más pequeñas introdujeron ocasionalmente ruido de OCR, resultando en estados de extracción parcial.
• Robustez: El sistema mantuvo el rendimiento a través de diversas complejidades de ruta y densidades de fondo de mapas sin requerir infraestructura en la nube.

Significancia y Reivindicaciones
El artículo afirma que LODTE logra cerrar la brecha entre la visión de alta precisión en la nube y las restricciones de latencia/privacidad de la computación en el borde. Al eliminar las dependencias de la nube, el marco permite el procesamiento de la telemetría de navegación en tiempo real y para situaciones críticas de seguridad con eficiencia de nivel de microsegundos. Los autores aseguran que el sistema mantiene una alta fidelidad de reconocimiento óptico incluso cuando la complejidad del fondo varía, demostrando que se puede mantener una latencia de sub-segundo sin comprometer severamente la integridad de los datos espaciales-textuales.

Los autores concluyen que, si bien el marco es robusto para diseños de interfaz de usuario estructurados con relaciones de aspecto consistentes, el trabajo futuro debería centrarse en extender la adaptabilidad de la interfaz para elementos con padding irregular e integrar pirámides de características multiescala para mejorar aún más el reconocimiento a través de diversas resoluciones de pantalla.