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

Technische Samenvatting: Lichtgewicht Edge-gebaseerde Telemetrie-parsing voor Navigatiesystemen via Deterministische Ruimtelijk-Tekstuele (LODTE) Analyse

Probleemstelling
Traditionele methoden voor het parsen van real-time navigatietelemetrie (zoals de geschatte aankomsttijd en afstandmetingen) uit digitale kaartinterfaces leunen zwaar op cloud-gecentreerde computer vision-architecturen of rekenintensieve Convolutionele Neurale Netwerken (CNN's). De auteurs identificeren drie kritieke beperkingen in deze bestaande benaderingen:

1. Netwerklatentie: De heen-en-weer transmissie naar cloudservers maakt Optical Character Recognition (OCR) onpraktisch voor sub-seconde, veiligheidskritische edge-responsen.
2. Bandbreedte-overhead: Continue videostreaming die vereist is voor cloudverwerking vraagt om een aanzienlijke netwerkdoorvoer.
3. Privacyrisico's: Het verzenden van gevoelige scherm- of cabine-telemetrie van het apparaat af introduceert kwetsbaarheden in de dataprivacy.
   Bovendien falen traditionele template-matching benaderingen vaak onder variatie in schaal of perspectief, terwijl zware neurale netwerken krachtige edge-processors overbelasten.

Methodologie: Het LODTE-framework
Het paper stelt het Lightweight Edge-Based Telemetry Parsing (LODTE) framework voor, een deterministische, edge-native vision-architectuur die is ontworpen om navigatie UI-elementen lokaal te parsen zonder cloudafhankelijkheid. Het systeem werkt via een vierfasige pipeline die is geoptimaliseerd voor hardware met beperkte middelen:

1. Edge-geoptimaliseerde Preprocessing: Invoerframes worden vastgelegd via high-performance screen buffers (met behulp van mss) en worden omgezet naar grijswaarden om de overhead bij kanaalverwerking te minimaliseren. Een gelokaliseerde Gaussische blur-kernel wordt toegepast om hoogfrequente achtergrondruis van kaartvectoren en wegennetwerken te onderdrukken.
2. Deterministische Ruimtelijk-Tekstuele Bounding: Deze fase isoleert telemetrie-kaarten (bijv. ETA/afstand) door strikte geometrische priors toe te passen in plaats van leergestuurde detectie. Het systeem filtert voor bounding boxes met specifieke dimensies (breedte: 52–168px; hoogte: 38–54px). Om foutieve positieven van kaartartefacten te elimineren, wordt een multi-criteria validatiefilter toegepast:
   • Aspect Ratio (AR): Dwingt een beperking af van $1.5 \le AR \le 3.2$ om horizontale telemetriebanners te onderscheiden van vierkante pins of verticale markeringen.
   • Gemiddelde ROI-intensiteit ($\mu_{ROI}$): Vereist een gemiddelde pixelintensiteit $> 210$ om te garanderen dat het doelwit een solide, hoog-contrast lichte achtergrond is, typerend voor actieve UI-kaarten.
   • Centrale Score: Bestraft randanomalieën om robuuste doelwitisolatie te waarborgen.
3. Resource-beperkte OCR Tokenisatie: Geïsoleerde regio's van belang (ROI) worden opgehoogd met behulp van bicubische interpolatie (3×) om de definitie van lettertype-randen te verbeteren. De data wordt vervolgens door een geoptimaliseerde Tesseract OCR-engine geleid, geconfigureerd voor uniforme tekstblokken (--psm 6), waardoor de overhead van deep-learning inferentie wordt vermeden.
4. Cumulatieve Latentieprofilering: Het framework bevat een ingebouwde profiler die de executietijd over alle fasen meet om real-time prestaties te garanderen.

Belangrijkste Bijdragen

• Deterministische Ruimtelijk-Tekstuele Bounding: De introductie van een niet-neurale, geometrie-gebaseerde benadering die strikte dimensionale en aspect-ratio priors afdwingt om UI-elementen te lokaliseren, waardoor de noodzaak voor zware objectdetectiemodellen vervalt.
• Edge-Native Architectuur: Een volledige pipeline die de cloud round-trip overhead elimineert, wat offline operatie mogelijk maakt en de dataprivacy waarborgt.
• Geoptimaliseerde Tokenisatie: Een lichtgewicht workflow die 3× bicubische upscaling combineert met adaptieve binarisatie (Otsu's methode) om een hoge herkenningsgetrouwheid te bereiken met minimale rekenkracht.

Experimentele Resultaten
Empirische benchmarking werd uitgevoerd over diverse navigatiescenario's, waaronder korte ritten, regionale trajecten en complexe langeafstandsroutes.

• Latentie: Het systeem bereikte een gemiddelde totale verwerkingslatentie van 11,48 ms per frame. In specifieke testgevallen varieerde de cumulatieve latentie tussen 10,66 ms en 12,87 ms.
• Fase-verdeling:
  • Preprocessing: ~2,14 ms (6,5% van de totale tijd).
  • Spatial Bounding: ~4,85 ms (14,7% van de totale tijd).
  • OCR Tokenisatie: ~25,10 ms (76,2% van de totale tijd).
• Nauwkeurigheid: Het framework demonstreerde een 100% karaktersegmentatie-nauwkeurigheid op geverifieerde monsters met consistente aspect ratio's. De extractiesucces was hoog voor standaard UI-lay-outs, hoewel de auteurs opmerkten dat onregelmatig gevulde of kleinere bounding boxes incidenteel OCR-ruis introduceerden, wat leidde tot gedeeltelijke extractiestatus.
• Robuustheid: Het systeem behield zijn prestaties bij variërende routecomplexiteit en achtergrondkaartdichtheid zonder cloudinfrastructuur te vereisen.

Significantie en Claims
Het paper claimt dat LODTE erin slaagt de kloof te overbruggen tussen hoge-accuratesse cloud vision en de latentie-/privacybeperkingen van edge computing. Door cloudafhankelijkheden te verwijderen, maakt het framework real-time, veiligheidskritische navigatie-telemetrie-parsing met microseconde-efficiëntie mogelijk. De auteurs stellen dat het systeem een hoge optische herkenningsgetrouwheid behoudt, zelfs wanneer de achtergrondcomplexiteit varieert, wat bewijst dat sub-seconde latentie kan worden gehandhaafd zonder de ruimtelijk-tekstuele data-integriteit ernstig te compromitteren.

De auteurs concluderen dat hoewel het framework robuust is voor gestructureerde UI-lay-outs met consistente aspect ratio's, toekomstig werk zich moet richten op het uitbreiden van de UI-adaptiviteit voor onregelmatig gevulde elementen en het integreren van multi-scale feature pyramids om de herkenning over uiteenlopende schermresoluties verder te verbeteren.