تعد تقنيات اكتشاف الأجسام ثلاثية الأبعاد (3D Object Detection) إحدى الركائز الأساسية لتأمين السلامة في السيارات الذاتية القيادة (Automated Vehicles) ونظم النقل الذكية الأوسع. أحد أكبر التحديات التي تواجه هذه التقنيات هو قدرة الكشف على مسافات طويلة، حيث تكون المعلومات المستشعَرة نادرة للغاية. إذ تُعتبر المسافة التي تزيد عن 30 مترًا طويلة في مجال الرؤية الحاسوبية، لكن في شوارع المرور، تعني فقط ما يقرب من 1-2 ثانية لاتخاذ القرار.

تواجه أنظمة الكشف تحت ظروف الندرة تحديين رئيسيين:
1. تساهم عملية دمج البيانات متعددة الأنماط بشكل مبكر في إهمال معلومات الندرة، مما يؤدي إلى إدخال الضجيج من الخلايا الفارغة أو المعبأة بشكل خاطئ، وهذا يؤثر على قدرة النظام على استرجاع المعلومات عن الأجسام الموجودة على مسافات بعيدة.
2. تفضل الإشراف الموحد المعتمد على السياق العينة الكثيفة والقريبة، مما يترك الأجسام البعيدة والصغيرة أقل كفاءة، مما يؤخر اكتشافها.

لتجاوز هذه العقبات، تم اقتراح نظام جديد يُدعى "Ask The Neighbor" (ATN3D)، وهو إطار عمل يجمع بين بيانات LiDAR ورادار مصمم خصيصًا للتعامل مع ظروف الندرة. يقدم نظام ATN3D عدة وظائف متميزة تشمل:
- دمج مبكر يعتمد على الكثافة مع بوابة متعددة الأنماط تأخذ في الاعتبار الكثافة لكل خلية.
- تجميع الجوار المرتبط بإشغال الخلايا باستخدام أنماط دائرية، لاجتذاب البيانات فقط من الخلايا التي تثق بها.
- انتباه ذاتي مشروط بالأدلة لضبط أوزان القنوات وفقاً للجو أو المدى.
- خسارة واعية بالمدى تعيد تنظيم تصنيف وكشف البيانات حسب المسافة، مما ينسجم مع تدريب البيانات الموزعة حسب المسافة.

على معيار VoD، أظهر ATN3D تفوقًا ملحوظًا على نظيراتها التقليدية، حيث سجل تحسينًا يصل إلى 3.55% في ظروف الطقس الصافي و8.41% في ظروف الضباب الكثيف، مما يسجل نصيبًا إيجابيًا كبيرًا في تحسين كشف الأجسام الأكثر بُعدًا.

تمثل نتائج ATN3D خطوة هائلة نحو دقة وكفاءة أكبر في الاكتشاف على الطريق، مما يعزز من سلامة السيارات الذاتية القيادة تحت ظروف الحركة المعقدة.