في عالم الذكاء الاصطناعي، تعد القدرة على التعرف على الأماكن من العناصر الأساسية للتنقل الذاتي، مما يساهم في إغلاق الحلقات وتوفير خرائط دقيقة وموثوقة. لكن مع تقدم تقنيات التعلم العميق، تبرز تحديات جديدة، خاصة عند استخدام هذه النماذج على منصات ذات موارد محدودة.

يأتي الحل في شكل تقنية EdgeLPR، التي تستفيد من تقنيات LiDAR لتعزيز قدرات التعرف على الأماكن. تعتمد هذه الطريقة على استخدام تمثيلات تمتع بها رؤية الطائر (Bird's Eye View)، مما يسمح باستخدام شبكات تصويرية خفيفة الوزن. من خلال اختبار عدد من الهياكل التمثيلية دون رؤوس تجميع، تم استخدام نظام موحد من خصائص استناداً إلى التجميع العالمي (global pooling) والإسقاط الخطي (linear projection).

أظهرت التجارب نتائج مثيرة للاهتمام تتعلق بالتجارة بين الدقة والموثوقية والكفاءة. فعلى سبيل المثال، تتطابق نتائج FP16 مع FP32 ولكن بتكاليف أقل، بينما قدم استخدام INT8 انخفاضاً في الأداء يعتمد على بنية النموذج المستخدمة.

يمكن اعتبار هذه النتائج خطوة قوية نحو مستقبل الأبحاث في مجال تقنيات تحديد الموقع المتكيفة مع الاستخدامات المختلفة، مما يفتح المجال لتحسين قدرات الشبكات العصبية في التطبيقات داخل EdgeAI.