تعتبر تقنية تنبؤ احتلال الفضاء الثلاثي الأبعاد (3D Semantic Occupancy Prediction) ضرورية لتحسين نظم القيادة الذاتية، ولكن تواجه الطرق التقليدية تحديات عديدة. فالأساليب المستندة إلى الكاميرات تعاني في ظروف الإضاءة المنخفضة، في حين أن أساليب LiDAR تتأثر بالطقس السيئ. لكن الآن، تقدم تقنية رادار 4D حلاً أكثر موثوقية.

نستعرض اليوم نظام Radar Geometric-Semantic Occupancy Prediction، أو RadarGSOcc، الذي يمثل إطار عمل فعالًا لمعالجة بيانات رادار 4D. يعتمد النظام على استخراج الميزات الهندسية والسمية بشكل منفصل، بما في ذلك معلومات دوبلر (Doppler)، ويتميز بوحدة تحسين هندسية تعتمد على الانتباه القابل للتشكل.

كما أطلق الباحثون مجموعة بيانات جديدة تُدعى K-Radar 3DSemOcc، وهي أول مجموعة بيانات كبيرة الحجم لتنبؤ احتلال الفضاء الثلاثي الأبعاد باستخدام رادار 4D، وقد بُنيت على مجموعة بيانات K-Radar مع تحسينات في البيانات المستندة إلى LiDAR. يمكن لـRadarGSOcc الآن تحديد 15 تصنيفًا ضمن نطاق يصل إلى 51.2 مترًا، محققًا نسبة تقاطع تشابه (IoU) تبلغ 38.2%، ونسبة معدلIoU المعدلة (mIoU) تصل إلى 7.6%.

ليس ذلك فحسب، بل يتفوق النظام الجديد على نموذج RadarOcc بنسبة 17% باستخدام عدد أقل من المعلمات وحسابات أقل. كما يمتاز بتحسينه التنبؤ بالشاحنات، بينما يحافظ على دقة السيارات، متفوقاً في النهاية على الأساليب المُعتمدة على الكاميرات.

لتقييم موثوقية النظام في الظروف الجوية الصعبة دون الحاجة لحقائق أرضية لكل إطار، قدم الباحثون مقياسًا جديدًا يُدعى Mقياس النفاذية KL المستند إلى البيئة (Environment-Based KL Divergence - EBKL)، مما يُظهر أن رادار 4D يمثل وسيلة موثوقة وفعالة لتنبؤ احتلال الفضاء الثلاثي الأبعاد. من المتوقع أن تُتاح مجموعة البيانات والكود للاستخدام العام قريبًا.