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

तकनीकी सारांश: नेविगेशन सिस्टम के लिए डिटर्मिनिस्टिक स्पेशियल-टेक्स्ट (LODTE) के माध्यम से लाइटवेट एज-आधारित टेलीमेट्री पार्सिंग

समस्या विवरण
डिजिटल मैप इंटरफेस से वास्तविक समय की नेविगेशन टेलीमेट्री (जैसे कि अनुमानित आगमन समय और दूरी मेट्रिक्स) को पार्स करने के लिए पारंपरिक विधियाँ अत्यधिक क्लाउड-केंद्रित विजन आर्किटेक्चर या संसाधन-गहन कन्वेन्शनल न्यूरल नेटवर्क (CNNs) पर निर्भर करती हैं। लेखक इन मौजूदा दृष्टिकोणों में तीन महत्वपूर्ण सीमाओं की पहचान करते हैं:

1. नेटवर्क लेटेंसी (Network Latency): क्लाउड सर्वर तक राउंड-ट्रिप ट्रांसमिशन ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) को सब-सेकंड, सुरक्षा-महत्वपूर्ण एज रिस्पॉन्स के लिए अव्यवहारिक बनाता है।
2. बैंडविड्थ ओवरहेड (Bandwidth Overhead): क्लाउड प्रोसेसिंग के लिए आवश्यक निरंतर वीडियो स्ट्रीमिंग के लिए महत्वपूर्ण नेटवर्क थ्रूपुट की आवश्यकता होती है।
3. गोपनीयता जोखिम (Privacy Risks): डिवाइस से बाहर संवेदनशील स्क्रीन या केबिन टेलीमेट्री को प्रसारित करना डेटा गोपनीयता संबंधी कमजोरियां पैदा करता है।
   इसके अलावा, पारंपरिक टेम्पलेट-मैचिंग दृष्टिकोण अक्सर स्केल या पर्सपेक्टिव वेरिएंस (परिप्रेक्ष्य भिन्नता) के तहत विफल हो जाते हैं, जबकि भारी न्यूरल नेटवर्क कम-शक्ति वाले एज प्रोसेसरों पर अत्यधिक भार डालते हैं।

कार्यप्रणाली: LODTE फ्रेमवर्क
यह शोध पत्र लाइटवेट एज-बेस्ड टेलीमेट्री पार्सिंग (LODTE) फ्रेमवर्क का प्रस्ताव करता है, जो एक डिटर्मिनिस्टिक, एज-नेटिव विजन आर्किटेक्चर है जिसे क्लाउड निर्भरता के बिना स्थानीय रूप से नेविगेशन UI तत्वों को पार्स करने के लिए डिज़ाइन किया गया है। यह सिस्टम सीमित संसाधनों वाले हार्डवेयर के लिए अनुकूलित चार-चरणीय पाइपलाइन के माध्यम से संचालित होता है:

1. एज-ऑप्टिमाइज्ड प्रीप्रोसेसिंग (Edge-Optimized Preprocessing): हाई-परफॉर्मेंस स्क्रीन बफ़र्स ( mss का उपयोग करके) के माध्यम से कैप्चर किए गए इनपुट फ्रेम्स को चैनल प्रोसेसिंग ओवरहेड को कम करने के लिए ग्रेस्केल में परिवर्तित किया जाता है। मैप वेक्टर्स और रोड नेटवर्क से हाई-फ्रीक्वेंसी बैकग्राउंड नॉइज़ को दबाने के लिए एक लोकलाइज्ड गॉसियन ब्लर कर्नेल लागू किया जाता है।
2. डिटर्मिनिस्टिक स्पेशियल-टेक्स्ट बाउंडिंग (Deterministic Spatial-Text Bounding): यह चरण लर्निंग-आधारित डिटेक्शन के बजाय सख्त ज्यामितीय प्रायर्स (geometric priors) को लागू करके टेलीमेट्री कार्ड्स (जैसे ETA/दूरी) को अलग करता है। सिस्टम विशिष्ट आयामों (चौड़ाई: 52–168px; ऊंचाई: 38–54px) के लिए बाउंडिंग बॉक्स को फ़िल्टर करता है। मैप आर्टिफ़ेक्ट्स से फॉल्स पॉजिटिव को समाप्त करने के लिए, एक मल्टी-क्राइटेरिया वैलिडेशन फ़िल्टर लागू किया जाता है:
   • आस्पेक्ट रेशियो (AR): हॉरिजॉन्टल टेलीमेट्री बैनर को वर्टिकल मार्कर या स्क्वायर पिन्स से अलग करने के लिए $1.5 \le AR \le 3.2$ का प्रतिबंध लागू करता है।
   • मीन ROI इंटेंसिटी ($\mu_{ROI}$): यह सुनिश्चित करने के लिए कि लक्ष्य एक सॉलिड, हाई-कॉन्ट्रास्ट लाइट बैकग्राउंड है जो सक्रिय UI कार्ड्स की विशेषता है, $\mu_{ROI} > 210$ की औसत पिक्सेल इंटेंसिटी की आवश्यकता होती है।
   • सेंट्रल स्कोर (Central Score): मजबूत लक्ष्य अलगाव सुनिश्चित करने के लिए एज विसंगतियों (edge anomalies) को दंडित करता है।
3. रिसोर्स-कंस्ट्रेंड OCR टोकनाइजेशन (Resource-Constrained OCR Tokenization): आइसोलेटेड रीजन ऑफ इंटरेस्ट (ROI) को फॉन्ट एज डेफिनिशन को बेहतर बनाने के लिए बाइक्यूबिक इंटरपोलेशन (3×) का उपयोग करके अपसैंपल किया जाता है। डेटा को फिर एक ऑप्टिमाइज्ड टेसेरैक्ट (Tesseract) OCR इंजन को पास किया जाता है, जिसे यूनिफॉर्म टेक्स्ट ब्लॉक्स (--psm 6) के लिए कॉन्फ़िगर किया गया है, जिससे डीप-लर्निंग इंफरेंस का ओवरहेड बचता है।
4. क्यूमुलेटिव लेटेंसी प्रोफाइलिंग (Cumulative Latency Profiling): फ्रेमवर्क में वास्तविक समय के प्रदर्शन को सुनिश्चित करने के लिए सभी चरणों में निष्पादन समय (execution time) को मापने के लिए एक इन-बिल्ट प्रोफाइलर शामिल है।

प्रमुख योगदान

• डिटर्मिनिस्टिक स्पेशियल-टेक्स्ट बाउंडिंग: एक गैर-न्यूरल, ज्योमेट्री-आधारित दृष्टिकोण का परिचय जो UI तत्वों को लोकलाइज करने के लिए सख्त आयामी और आस्पेक्ट-रेश्यो प्रायर्स को लागू करता है, जिससे भारी ऑब्जेक्ट डिटेक्शन मॉडल की आवश्यकता समाप्त हो जाती है।
• एज-नेटिव आर्किटेक्चर: एक पूर्ण पाइपलाइन जो क्लाउड राउंड-ट्रिप ओवरहेड को समाप्त करती है, जिससे ऑफलाइन ऑपरेशन संभव होता है और डेटा गोपनीयता बनी रहती है।
• ऑप्टिमाइज्ड टोकनाइजेशन: एक हल्का वर्कफ़्लो जो न्यूनतम कम्प्यूटेशनल पावर के साथ उच्च रिकग्निशन फिडेलिटी प्राप्त करने के लिए 3× बाइक्यूबिक अपस्केलिंग और एडेप्टिव बाइनराइजेशन (ओत्सु की विधि) को जोड़ता है।

प्रायोगिक परिणाम
विभिन्न नेविगेशन परिदृश्यों, जिनमें शॉर्ट-रेंज कम्यूट, मिड-रेंज रीजनल रूट्स और लॉन्ग-डिस्टेंस कॉम्प्लेक्स रूटिंग शामिल हैं, में एम्पिरिकल बेंचमार्किंग की गई।

• लेटेंसी: सिस्टम ने प्रति फ्रेम औसतन 11.48 ms की कुल प्रोसेसिंग लेटेंसी प्राप्त की। विशिष्ट परीक्षण मामलों में, क्यूमुलेटिव लेटेंसी 10.66 ms और 12.87 ms के बीच रही।
• चरण विभाजन (Stage Breakdown):
  • प्रीप्रोसेसिंग: ~2.14 ms (कुल समय का 6.5%)।
  • स्पेशियल बाउंडिंग: ~4.85 ms (कुल समय का 14.7%)।
  • OCR टोकनाइजेशन: ~25.10 ms (कुल समय का 76.2%)।
• सटीकता: फ्रेमवर्क ने सुसंगत आस्पेक्ट रेशियो वाले सत्यापित नमूनों पर 100% कैरेक्टर सेगमेंटेशन सटीकता प्रदर्शित की। मानक UI लेआउट के लिए एक्सट्रैक्शन सफलता उच्च थी, हालांकि लेखकों ने नोट किया कि अनियमित रूप से पैडेड या छोटे बाउंडिंग बॉक्स कभी-कभी OCR नॉइज़ पेश करते हैं, जिससे आंशिक एक्सट्रैक्शन स्टेटस उत्पन्न होता है।
• मजबूती (Robustness): सिस्टम ने क्लाउड इंफ्रास्ट्रक्चर की आवश्यकता के बिना विभिन्न रूट जटिलताओं और बैकग्राउंड मैप डेंसिटी के बीच प्रदर्शन बनाए रखा।

महत्व और दावे
शोध पत्र का दावा है कि LODTE सफलतापूर्वक हाई-एक्यूरेसी क्लाउड विजन और एज कंप्यूटिंग की लेटेंसी/प्राइवेसी बाधाओं के बीच के अंतर को पाटता है। क्लाउड डिपेंडेंसी को हटाकर, फ्रेमवर्क माइक्रोसेकंड-लेवल दक्षता के साथ वास्तविक समय, सुरक्षा-महत्वपूर्ण नेविगेशन टेलीमेट्री पार्सिंग को सक्षम बनाता है। लेखक दावा करते हैं कि सिस्टम बैकग्राउंड जटिलताएं बदलने पर भी उच्च ऑप्टिकल रिकग्निशन फिडेलिटी बनाए रखता है, जो यह सिद्ध करता है कि स्पेशियल-टेक्स्टुअल डेटा इंटीग्रिटी से गंभीर समझौता किए बिना सब-सेकंड लेटेंसी को बनाए रखा जा सकता है।

लेखक निष्कर्ष निकालते हैं कि जबकि फ्रेमवर्क सुसंगत आस्पेक्ट रेशियो वाले स्ट्रक्चर्ड UI लेआउट के लिए मजबूत है, भविष्य के कार्यों को विविध स्क्रीन रेजोल्यूशन पर रिकग्निशन को और बेहतर बनाने के लिए अनियमित रूप से पैडेड तत्वों के लिए UI अडैप्टेबिलिटी बढ़ाने और मल्टी-स्केल फीचर पिरामिड्स को एकीकृत करने पर ध्यान केंद्रित करना चाहिए।