Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression

Sintesi Tecnica: PROTEUS – Un modello di entropia robusto alla troncatura per la compressione progressiva di LiDAR

1. Definizione del Problema

Le nuvole di punti LiDAR forniscono confini fisici deterministici ed espliciti, essenziali per la percezione collaborativa orientata alla sicurezza (es. rilevamento collisioni, evitamento ostacoli). Tuttavia, la trasmissione di queste strutture dati dense su canali wireless dinamici (V2X, sciami di UAV) introduce due sfide critiche:

• Fluttuazione della Banda e Troncatura: Le interruzioni transitorie del link o i cali di banda causano la troncatura dello stream in transito. I codec convenzionali collassano in tali condizioni, richiedendo cicli di feedback ad alta latenza per rinegoziare i bitrate, il che blocca le pipeline in tempo reale.
• Degradazione del Canale vs. Fedeltà Fisica: Gli attuali framework robusti, come il Deep Joint Source-Channel Coding (Deep JSCC) o il Multiple Description Coding (MDC), gestiscono la perdita di pacchetti ricostruendo le regioni mancanti tramite stime statistiche o parametriche. Sebbene ciò mantenga una qualità percettiva o un mAP competitivi, converte le misurazioni fisiche esatte in stime algoritmiche non verificate. Per compiti critici per la sicurezza, preservare la natura matematicamente limitata e deterministica della misurazione del sensore — anche a una risoluzione più grossolana — è indispensabile.

La sfida centrale consiste nel progettare un codec appreso che raggiunga una compressione progressiva e robusta alla troncatura pur preservando rigorosamente gli esatti confini fisici delle misurazioni LiDAR, evitando l' "allucinazione" della geometria intrinseca ai metodi di stima statistica.

2. Metodologia

Gli autori propongono Proteus, un codec LiDAR appreso che opera su immagini di range 2D. Il framework scinde la rappresentazione del frame in due flussi di codifica indipendenti per ottenere la robustezza alla troncatura a livello di stream:

A. Rappresentazione e Scissione (Decoupling)
L'immagine di range in ingresso $R = (x, a)$ consiste nel canale di range $x$ (profondità di bit $d$) e nei canali di attributo $a$ (es. riflettanza). Il canale di range viene suddiviso in $d$ piani di bit e partizionato in:

1. SIG (Significativo): I piani di bit più significativi ($x_{1:s}$), comprendenti un sottoblocco "head" ($x_{1:h}$) e un sottoblocco "mid" ($x_{h+1:s}$).
2. INS (Insignificante): I restanti piani di bit "tail" ($x_{s+1:d}$) e tutti i canali di attributo.

B. Coder SIG: Bits-Back Autocontenuto
Il blocco SIG codifica i piani significativi utilizzando uno schema di codifica bits-back che è interamente autocontenuto all'interno del blocco stesso.

• Meccanismo: Utilizza un meccanismo di Autoregressive Initial Bits (ArIB). Il sottoblocco "mid" viene codificato per primo senza condizionamento latente per generare i bit iniziali. Questi bit vengono poi utilizzati per decodificare la variabile latente $z$ per il sottoblocco "head", che è codificato sotto la distribuzione posteriore $q(z|x_{1:h})$.
• Vantaggio: Questo elimina l'overhead per singolo frame tipicamente associato alla codifica bits-back (che solitamente richiede l'ammortamento su una sequenza). Il blocco SIG è non-troncabile; stabilisce un limite inferiore percettivo necessario e autocontenuto. Se lo stream viene troncato prima del completamento di SIG, il frame è indecodificabile, ma se SIG viene ricevuto, la struttura geometrica fondamentale è preservata.

C. Coder INS: FIFO Robusto alla Troncatura
Il blocco INS codifica i piani di range insignificanti e gli attributi utilizzando un range coder First-In-First-Out (FIFO).

• Ordinamento: Lo stream è serializzato con i piani di bit tail del range ($x_{s+1:d}$) che precedono i piani di attributo ($a$). Ciò dà priorità alla precisione geometrica rispetto alla fedeltà degli attributi durante i cali di banda.
• Proprietà di Troncatura:
  • Degradazione Deterministica della Precisione: La troncatura di $N$ piani di bit meno significativi del range è matematicamente equivalente al padding con zeri, risultando in una degradazione deterministica della precisione spaziale ($\Delta_N = 2^N \cdot \Delta_0$). Ciò evita la necessità di stime statistiche della geometria mancante.
  • Ricostruzione Ibrida degli Attributi: Quando i bit degli attributi vengono troncati, i bit rimanenti vengono ricostruiti tramite un metodo ibrido lossless-predittivo. La geometria decodificata (da SIG e dal range INS ricevuto) funge da forte prior strutturale per una rete di predizione $h_\theta$ per approssimare i dettagli mancanti degli attributi.
• Robustezza: Poiché SIG account per circa il 30% dello stream di bit, Proteus rimane completamente decodificabile anche se viene troncato fino al 70% dello stream INS.

3. Contributi Chiave

1. Bits-Back Robusto alla Troncatura: Il paper affronta l'incompatibilità tra robustezza alla troncatura ed alta efficienza della codifica bits-back. Decoupling la rappresentazione e utilizzando ArIB, Proteus abilita una degradazione progressiva e aggraziata con solo una minima penalità nell'efficienza della compressione lossless, eliminando l'overhead del singolo frame.
2. Ordinamento Strategico Geometria-Attributi: Un framework di codifica congiunta è progettato dove i dati di attributo subordinati sono posizionati dopo la geometria nello stream troncabile. Ciò consente al sistema di sacrificare naturalmente la precisione degli attributi per primi durante i cali di banda, mantenendo le prestazioni di percezione a valle anche con una significativa troncatura.
3. Preservazione Fisica Deterministica: A differenza di Deep JSCC o MDC, che si affidano alla stima parametrica, Proteus garantisce che le ricostruzioni troncate siano proiezioni matematicamente limitate della sorgente. La geometria non viene mai "allucinata"; è semplicemente ricostruita a una precisione inferiore.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul Waymo Open Dataset (WOD) e SemanticKITTI.

• Robustezza alla Troncatura: Proteus tollera fino a circa il 70% di troncatura dello stream di bit. In caso di troncatura, l'errore geometrico rimane matematicamente limitato (es. la troncatura di 3 piani produce una precisione di circa 8mm su KITTI) e le prestazioni di rilevamento oggetti 3D a valle degradano progressivamente verso un limite inferiore autosufficiente piuttosto che collassare.
• Efficienza di Compressione (Canali Ideali): In condizioni ideali (0% di troncatura), Proteus supera gli standard stabiliti (G-PCC, Draco, JPEG XL) e il baseline appreso Unicorn.
  • SemanticKITTI: Ottiene un guadagno di BD-rate del -35,41% rispetto a G-PCC per la geometria e del -15,59% per l'intensità.
  • WOD: Ottiene un guadagno di BD-rate del -42,72% rispetto a G-PCC per la geometria e del -80,47% per l'intensità.
• Studi di Ablazione:
  • Rimuovere il meccanismo bits-back aumenta il rate del +20,19%.
  • Rimuovere lo schema ArIB aumenta il rate del +31,17%.
  • Il design decouplato incurisce solo una tassa di efficienza del 6,56% rispetto a uno schema ArIB accoppiato per abilitare la robustezza alla troncatura.
  • Il modulo di ricostruzione ibrida degli attributi (LUT + CNN Head) è computazionalmente leggero (1,3 MB di storage, 5,2 ms di overhead) ed è critico per le prestazioni (la rimozione di entrambi aumenta il BD-rate del +67,8%).

5. Significato e Rivendicazioni

Il paper sostiene che Proteus risolva la tensione fondamentale tra compressione ad alta efficienza e trasmissione robusta al canale per applicazioni LiDAR critiche per la sicurezza. Limitando rigorosamente le dipendenze di codifica all'interno del frame e scindendo la rappresentazione, Proteus ottiene:

• Resistenza alla perdita di pacchetti a livello di frame (senza predizioni inter-frame che possano rompersi).
• Stream di bit prefix-decodificabili che producono ricostruzioni valide senza coordinazione preventiva.
• Reti di sicurezza matematicamente verificabili: La nuvola di punti ricostruita mantiene i suoi confini fisici deterministici, garantendo che, anche sotto una severa troncatura, i dati rimangano una misurazione fedele, seppur a una precisione inferiore, piuttosto che una stima non verificata.

Gli autori posizionano Proteus come una soluzione che consente ai sistemi autonomi collaborativi di condividere nuvole di punti dense su canali wireless inaffidabili senza compromettere l'integrità matematica richiesta per il processo decisionale critico per la sicurezza.