يعد إنشاء خرائط عالية الدقة للقيادة الذاتية في العالم الحقيقي من أكبر التحديات التقنية التي تواجه المطورين، وذلك بسبب نقص البيانات الموسومة اللازمة لتدريب الأنظمة بفعالية. لكن باعتماد نهج تعليمي مبتكر، تقدم تقنية PseudoMapLabeler، وهي إطار عمل للتعلم شبه المراقب (Semi-Supervised Learning - SSL)، حلاً فعالاً لهذه المشكلة.

يبدأ الإجراء بتدريب نموذج معلم باستخدام كمية محدودة من البيانات الموسومة، مما يسمح له بفهم العناصر الأساسية للخرائط. بعد ذلك، يتم الاستفادة من خرائط الثقة المستندة إلى توزيع بيتا (Beta Distribution) لتقييم موثوقية العناصر المرسومة عبر مشاهد زمنية متتالية. بدلاً من الطرق التقليدية التي قد تتخلص من العناصر بالكامل، هذه التقنية تقدم أسلوب القص المكاني (Spatial Clipping) الذي يحافظ على المناطق ذات الثقة العالية في حين أنها تتخلص من القطاعات غير الموثوقة.

تؤدي هذه العناصر المستهدفة إلى تحسين دقة توقعات نموذج المعلم مع البيانات غير الموسومة في مرحلة تالية. وفي النهاية، يتم استخدام التوقعات المحسنة كعلامات وهمية (Pseudo-Labels) لتدريب نموذج الطالب من الصفر، تليه عملية ضبط دقيق على البيانات الموسومة الأصلية.

أظهرت النتائج التجريبية على مجموعة بيانات nuScenes أن الإطار التعليمي لدينا مع العلامات الوهمية المحسّنة قد حسّن الأداء بمقدار +6.1 مAP في ظل نقص البيانات الموسومة، مما يوفر حلاً عمليًا لتعزيز إنشاء الخرائط الدقيقة عبر الإنترنت.