تعتبر القدرات البصرية جزءًا أساسيًا في مجال الروبوتات التنافسية، حيث يمكن أن تؤثر التباينات البيئية بشكل مباشر على أداء الكشف الفوري. في هذا السياق، تفتقر الأدبيات المتعلقة بالمكتشفات المعتمدة على نماذج التحويل (Transformer) إلى معلومات حول تأثير عمق الشبكة (Backbone Scale) وظروف البيئة على أداء النماذج.

تقدم هذه الدراسة تقييمًا مقارنًا لنموذج RT-DETR المستخدم في الكشف عن الأجسام الدائرية تحت تأثير التغيرات البيئية والمعايير الفائقة ذات الصلة بالروبوتات التنافسية. تم مقارنة أربعة نماذج من ResNet تشمل ResNet18 وResNet34 وResNet50 وResNet101، مع تحليل تأثير معدلات الانسحاب (Dropout Rates) على الثقة والدقة.

تدربت جميع النماذج تحت نفس الظروف وتم تقييمها تحت تغييرات في الإضاءة وتباين الخلفيات. أظهرت النتائج أن الظروف البيئية لها تأثير كبير على ثقة التوقعات، بينما بقيت مدة الاستدلال (Inference Latency) غير متأثرة إلى حد كبير، حيث حافظت دقة التصنيف على مستويات عالية، تتجاوز 1.00 في معظم الحالات.

لوحظ سلوكان متميزان: تحت تأثير التغيرات في الإضاءة، حقق ResNet50 أفضل توازن، حيث جمع بين دقة قريبة من الكمال وقيم ثقة تصل إلى حوالي 0.869 ومدة استدلال تبلغ حوالي 0.058-0.059 مللي ثانية. ومن ناحية أخرى، كان ResNet34 الأكثر توازنًا تحت تأثير تباين الخلفية، حيث حقق دقة قريبة من الكمال وقيم ثقة أعلى تصل إلى حوالي 0.887.

تشير هذه النتائج إلى أن الهيكل المثالي يعتمد على نوع التغير البيئي، في حين أن النماذج ذات العمق المتوسط تقدم أفضل توازن بين الأداء والكفاءة.

في ضوء هذه النتائج، ما رأيكم في كيفية تأثير استراتيجيات التصميم الشبكي على أداء الروبوتات في الظروف البيئية المتغيرة؟ شاركونا وجهات نظركم في التعليقات.