Investigating the performance of novel class discovery (NCD) approach for semantic segmentation on realworld SLAM LiDAR point cloud data

मानचित्रण की आधुनिक दुनिया में, LiDAR नामक एक तकनीक हमारे परिवेश के त्रि-आयामी आकार को देखने के लिए एक शक्तिशाली उपकरण बन गई है। प्रकाश के तीव्र स्पंदों (pulses) को छोड़कर और यह मापने के लिए कि उन्हें वापस आने में कितना समय लगता है, ये सेंसर लाखों व्यक्तिगत बिंदुओं के विशाल बादलों का निर्माण करते हैं, जिनमें से प्रत्येक एक इमारत, एक पेड़ या ज़मीन के एक विशिष्ट स्थान का प्रतिनिधित्व करता है। हालाँकि यह डेटा अविश्वसनीय रूप से विस्तृत है, लेकिन इसे स्वचालित रूप से समझना एक कठिन कार्य है। कंप्यूटर अक्सर केवल उन्हीं वस्तुओं को पहचानने के लिए प्रशिक्षित किए जाते हैं जिन्हें उन्हें पहले दिखाया गया है, जैसे कि सड़कें, घर या पेड़। यदि कंप्यूटर किसी नई चीज़ का सामना करता है, जैसे कि एक अनूठी प्रकार की बाड़ या निर्माण मलबे का ढेर, तो वह अक्सर उस वस्तु को अपने ज्ञात श्रेणियों में से किसी एक में जबरदस्ती फिट करने की कोशिश करता है, भले ही वह मेल खराब हो। इस सीमा का अर्थ है कि जटिल, वास्तविक दुनिया के वातावरण में, स्वचालित मानचित्र महत्वपूर्ण विवरणों को छोड़ सकते हैं या उन्हें पूरी तरह से गलत पहचान सकते हैं। इसे हल करने के लिए, शोधकर्ता 'नोवेल क्लास डिस्कवरी' (novel class discovery) नामक एक विधि की खोज कर रहे हैं, जिसका उद्देश्य कंप्यूटर को न केवल यह सिखाना है कि वह क्या जानता है उसे पहचानना, बल्कि यह भी नोटिस करना है कि जब कुछ नया दिखाई दे तो उन नई चीजों को अपने आप में समूहों में कैसे बाँटा जाए।

इंडोनेशिया के उदया गadjah मादा विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक हैंडहेल्ड डिवाइस से कैप्चर किए गए डेटा का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया, जो एक बाहरी वातावरण में घूमता है। स्थिर स्कैनर के विपरीत, यह उपकरण, जिसे SLAM LiDAR सिस्टम कहा जाता है, एक व्यक्ति को परिसर के माध्यम से चलने की अनुमति देता है जबकि सेंसर एक साथ क्षेत्र का मानचित्रण करता है और अपनी स्थिति को ट्रैक करता है। यह दुनिया का एक निरंतर, बहता हुआ रिकॉर्ड बनाता है, लेकिन यह बदलती बिंदु घनत्व (point densities) और स्थिति में मामूली त्रुटियों जैसी चुनौतियाँ भी पेश करता है जो नियंत्रित प्रयोगशाला सेटिंग्स में नहीं होती हैं। शोधकर्ताओं ने विश्वविद्यालय परिसर के एक विशिष्ट क्षेत्र पर ध्यान केंद्रित किया, जो लगभग अठारसे हेक्टेयर में फैला हुआ था, जिसमें इमारतें, वनस्पति और पक्की सतहों का मिश्रण था। वे इस क्षेत्र के माध्यम से पंद्रह अलग-अलग रास्तों पर चले, जिससे कच्चे पॉइंट क्लाउड डेटा की एक विशाल मात्रा एकत्र हुई जो एक बाहरी स्थान की वास्तविक दुनिया की जटिलता का प्रतिनिधित्व करती थी।

उनके कार्य का पहला चरण इस कच्चे डेटा को साफ करना और एक कंप्यूटर मॉडल को उन तीन मुख्य चीजों को पहचानने के लिए सिखाना था जिनकी उन्हें परवाह थी: ज़मीन, वनस्पति और इमारतें। उन्होंने डेटा के एक हिस्से को मैन्युअल रूप से लेबल किया ताकि एक मार्गदर्शक के रूप में काम किया जा सके, जो कंप्यूटर को दिखा सके कि इन तीन श्रेणियों को क्या दिखता है। एक बार जब मॉडल प्रशिक्षित हो गया, तो उन्होंने पूरे डेटासेट में इन ज्ञात वस्तुओं को पहचानने की इसकी क्षमता का परीक्षण किया। परिणाम ज़मीन के लिए उत्साहजनक थे, जिसे मॉडल ने बहुत उच्च सटीकता के साथ पहचाना। वनस्पति को भी अच्छी तरह से पहचाना गया, हालांकि जहाँ पेड़ इमारतों से मिलते हैं, वहाँ भ्रम की स्थिति पैदा हुई। इमारतें सबसे कठिन साबित हुईं, संभवतः इसलिए क्योंकि उनके आकार बहुत भिन्न होते हैं और चलते समय कोण के कारण हैंडहेल्ड स्कैनर कभी-कभी दीवारों या छतों के हिस्सों को मिस कर देता है। इन खामियों के बावजूद, मॉडल ने जटिल इलाके में इन तीन मुख्य श्रेणियों के बीच अंतर करने में सफलता प्राप्त की।

हालाँकि, असली परीक्षा इसके बाद हुई। शोधकर्ताओं ने मॉडल से उन बिंदुओं को देखने के लिए कहा जिनके बारे में वह आश्वस्त नहीं था और उन्हें "अज्ञात" (unknown) के रूप में मानने को कहा। इन अनिश्चित बिंदुओं को ज़मीन, वनस्पति या इमारत की श्रेणियों में जबरदस्ती डालने के बजाय, सिस्टम को उन्हें नए, अलग समूहों में वर्गीकृत करने के लिए डिज़ाइन किया गया था। यह नोवेल क्लास डिस्कवरी दृष्टिकोण का मूल है: कंप्यूटर को उन चीजों के लिए अपने स्वयं के समूह खोजने देना जिन्हें वह नहीं समझता है। मॉडल ने कुल बिंदुओं के एक छोटे प्रतिशत को अज्ञात के रूप में पहचाना, जो डेटा का लगभग नौ प्रतिशत था। फिर उसने इन अज्ञात बिंदुओं को तीन नए समूहों में विभाजित किया। जब शोधकर्ताओं ने देखा कि इन नए समूहों में वास्तव में क्या शामिल था, तो उन्हें सफलता और सीमा दोनों का मिश्रण मिला। इनमें से एक नए समूह ने सफलतापूर्वक कुछ विशिष्ट वस्तुओं, जैसे कि यूटिलिटी पोल और केबल को अलग किया, जो वास्तव में मुख्य श्रेणियों से भिन्न थे।

फिर भी, अध्ययन ने खुलासा किया कि वास्तविक दुनिया के बाहरी डेटा के लिए यह विधि अभी भी पूर्ण नहीं है। इन नए "अज्ञात" समूहों में रखे गए बिंदुओं का एक बड़ा हिस्सा वास्तव में ज्ञात श्रेणियों का था। उदाहरण के लिए, इमारतों के टुकड़े या पेड़ों के हिस्से जिनके बारे में मॉडल अनिश्चित था, उन्हें गलत तरीके से नए खोजों के साथ समूहीकृत किया गया था। ऐसा इसलिए हुआ क्योंकि प्रारंभिक मॉडल अपने स्वयं के अनुमानों में पर्याप्त आश्वस्त नहीं था, जिससे उसने ज्ञात वस्तुओं के हिस्सों को गलत तरीके से नया खोज बता दिया। शोधकर्ताओं ने पाया कि इन नए समूहों की गुणवत्ता इस बात पर बहुत अधिक निर्भर थी कि मॉडल मूल तीन श्रेणियों को कितनी अच्छी तरह समझता है। यदि मॉडल किसी विशिष्ट इमारत या घनी झाड़ियों के पैच के साथ संघर्ष करता था, तो वे त्रुटियाँ पूरे सिस्टम में फैल जाती थीं, जिससे ऐसे नए समूह बनते थे जो वास्तव में नई वस्तुएं नहीं थे, बल्कि पुरानी चीजों के भ्रमित टुकड़े थे।

अध्ययन ने यह भी रेखांकित किया कि डेटा की भौतिक प्रकृति ने परिणामों को कैसे प्रभावित किया। चूंकि सेंसर चल रहा था, इसलिए ऑपरेटर कितनी तेजी से चलता था या वह किसी वस्तु के कितने करीब था, इसके आधार पर बिंदुओं का घनत्व बदल जाता था। उन क्षेत्रों में जहाँ बिंदु विरल (sparse) या शोर युक्त (noisy) थे, मॉडल के लिए ज्ञात वस्तु और एक नई वस्तु के बीच अंतर करना कठिन हो गया। इसके अलावा, शोधकर्ताओं को यह तय करना पड़ा कि कितने नए समूहों को खोजना है, और यह निश्चित चुनाव कभी-कभी असंबंधित वस्तुओं को एक ही बाल्टी में डाल देता था या एक ही प्रकार की वस्तु को कई समूहों में विभाजित कर देता था। इन नए ऑब्जेक्ट्स के लिए कोई सटीक संदर्भ मार्गदर्शिका (reference guide) न होने के कारण, शोधकर्ता परिणामों का न्याय करने के लिए दृश्य निरीक्षण (visual inspection) पर निर्भर थे, जिससे पुष्टि हुई कि हालांकि सिस्टम नए पैटर्न खोज सकता है, लेकिन वे पैटर्न अक्सर अस्थिर होते हैं और ज्ञात वर्गों की त्रुटियों के साथ मिश्रित होते हैं।

अंततः, अनुसंधान प्रदर्शित करता है कि हालांकि वास्तविक दुनिया के मानचित्रण के लिए नोवेल क्लास डिस्कवरी की अवधारणा बहुत बड़ी संभावना रखती है, लेकिन जटिल वातावरण में चलते हुए सेंसरों से प्राप्त डेटा पर लागू होने पर इसे महत्वपूर्ण बाधाओं का सामना करना पड़ता है। सिस्टम यह पहचान सकता है कि कुछ अलग है, लेकिन यह उस अंतर को डेटा के शोर और अनिश्चितता से स्पष्ट रूप से अलग करने में संघर्ष करता है। नए वर्गों को खोजने की सफलता मूल रूप से ज्ञात वस्तुओं की पहचान की सटीकता से जुड़ी हुई है। यदि कंप्यूटर किसी इमारत के बारे में आश्वस्त नहीं है, तो वह पास के पोल के बारे में यह सुनिश्चित नहीं कर सकता कि वह कुछ नया है। लेखक निष्कर्ष निकालते हैं कि इस तकनीक को वास्तविक दुनिया के उपयोग के लिए विश्वसनीय बनाने के लिए, अंतर्निहित मॉडलों को अधिक मजबूत, अज्ञात वस्तुओं को पहचानने के तरीकों को अधिक लचीला, और इन नए समूहों के मूल्यांकन को अधिक व्यवस्थित होने की आवश्यकता है। आगे का रास्ता यह परिष्कृत करने में निहित है कि ये सिस्टम वास्तविक दुनिया के अव्यवस्थित और अपूर्ण डेटा से कैसे सीखते हैं, यह सुनिश्चित करते हुए कि जब वे कुछ नया खोजते हैं, तो वे वास्तव में कुछ नया देख रहे होते हैं, न कि केवल एक गलती।