تظل عمليات تجنب العوائق الديناميكية في البيئات الخارجية غير المنظمة أحد أبرز التحديات التي تواجه الروبوتات المتنقلة المستقلة، خاصة عندما تكون بيانات التدريب الخاصة بالنموذج كبيرة النطاق أو السياسات المعتمدة على المحاكاة غير عملية.

في هذا الإطار، نقدم طريقة جديدة تستند إلى الكفاءة في استخدام البيانات، وتوضح كيفية تجنب العوائق الديناميكية باستخدام تقنيات الرؤية التي تعمل بالكامل على بيانات العالم الحقيقي، مما يتجنب مشكلة نقل البيانات بين المحاكاة والواقع التي تعاني منها سياسات النماذج المدربة عبر المحاكاة.

تعتمد تقنيتنا على نموذج UniDepth، وهو نموذج تقدير عمق أحادي مدرب بشكل كبير، يقوم بإنتاج خرائط عمق كثيفة من مقاطع الفيديو الملونة (RGB) دون الحاجة إلى كاميرات استيريو أو استخدام تقنية LiDAR أثناء إجراءات التقدير.

نحقق تجنب العوائق الديناميكية من خلال توسيع عملية تتبع المعالم باستخدام خوارزمية SuperPoint وSuperGlue لتتبع النقاط الرئيسية عبر تسلسلات الإطارات الطويلة، حيث يتم إسقاط مواقفها في فضاء البكسل ثنائي الأبعاد إلى الفضاء ثلاثي الأبعاد باستخدام خواص الكاميرا والعمق المتنبأ به.

تظهر تقييماتنا على بيانات حقيقية من مجموعة بيانات M3ED أن لدينا دقة تبلغ 0.49 واسترجاعًا يبلغ 0.38 في تحديد الإطارات ذات الوقت المتوقع للتصادم (TTC) أقل من ثانية واحدة. علاوة على ذلك، تتمكن طريقتنا من توليد اتجاه الحركة المراوغة بشكل صحيح في 84% من اكتشافات الإيجابيات الحقيقية.

أحد أهم نقاط قوتنا هو أن هذه التقنية تتجنب الحاجة إلى تدريب النموذج بالكامل، حيث يتطلب الأمر فقط 74 ثانية من البيانات لتعديل المعلمات. مما يدل على فعالية البيانات الاستثنائية مع الحفاظ على سلوك يمكن فهمه وقابل للتعميم عبر أنواع متعددة من العوائق.