ابتكار ثوري في فهم المشاهد: دمج النماذج الضوئية مع البيانات ثلاثية الأبعاد لمواجهة تحديات القيادة الذاتية

يمثل تقسيم المشهد الدلالي (Semantic Segmentation) حجر الزاوية لفهم البيئات المحيطة في مجالات مثل القيادة الذاتية. ومع ذلك، لا تزال هذه العملية تواجه تحديات كبيرة، خاصة تحت ظروف مثل التداخل (occlusion) الذي يُعد عائقًا رئيسيًا في دقة الاستشعار. في هذا السياق، تأتي تقنية الدمج بين الحقول الضوئية (Light Field) وبيانات LiDAR كحل واعد يوفر إشارات بصرية فضائية متكاملة.

على الرغم من فوائد الدمج بين هذين المصدرين للبيانات، تواجه عملية الدمج عدة صعوبات، ومنها نقص تنوع وجهات النظر والفروق الجوهرية بين كل طريقة. لمواجهة هذه التحديات، تم تطوير قاعدة بيانات جديدة تضم بيانات الحقول الضوئية وبيانات النقاط السحابية (Point Cloud Data)، التي تُعد الأولى من نوعها.

استنادًا إلى هذه القاعدة، تم اقتراح شبكة فصل تقسيم الحقول الضوئية والنقاط السحابية (Mlpfseg)، والتي تُسهم في تطوير نموذج موحد لفصل البيانات. تتضمن هذه الشبكة وحدة لاستكمال الميزات (Feature Completion) ووحدة للإحساس بالعمق (Depth Perception). تقوم وحدة استكمال الميزات بمعالجة عدم تطابق الكثافة بين النقاط السحابية وبكسلات الصور، من خلال إعادة بناء تفاضلية لخرائط ميزات النقاط السحابية، مما يعزز تكامل هذه المكونات. في حين تُحسن وحدة الإحساس بالعمق قدرة النموذج على تحديد الأشياء المسدودة من خلال تعزيز الدرجات الانتباهية، ما يُساهم في زيادة الوعي بالظروف المعقدة.

تبين التجارب أن الأسلوب المطور يتفوق على تقسيم الصورة فقط بمعدل 1.71 في المئة، وعلى تقسيم النقاط السحابية فقط بمعدل 2.38 في المئة، مما يبرز فعالية هذا الابتكار في تحسين دقة استشعار المشاهد في بيئات القيادة الذاتية. إن دمج هذه التقنيات يُعدّ خطوة مهمة نحو تحقيق أمان أكبر في القيادة الذاتية، مما يمهد الطريق لمستقبل أكثر أمانًا وذكاءً على الطرق.