في عالمنا المعاصر، تظل العديد من بيئات العمل الداخلية شبه ثابتة، حيث تظل الأبعاد الهندسية العامة مستقرة لكن تغيرات المعاني المحلية تحدث بشكل مستمر. هذا التغير المستمر يتسبب في تكرار الهندسة، وتكدس الديناميكية، ووجود ضوضاء إدراكية تعيق أساليب التحديد التقليدية المعتمدة على الرؤية. في هذا السياق، تم تقديم ابتكار جديد يُعرف باسم ShelfAware، وهو فلتر جزئي دلالي يهدف إلى تعزيز دقة التحديد المكاني بشكل موثوق.

تعمل ShelfAware على دمج احتمالات العمق مع تشابه دلالي مركزي للتصنيف، مستخدمة مجموعة مُعدّة مسبقًا من وجهات النظر الدلالية لتنفيذ اقتراحات دلالية عكسية ضمن عملية التحديد المكاني على طريقة مونت كارلو (Monte Carlo Localization - MCL)، مما يوفر توليد فرضيات مستهدف وسريع باستخدام معدات بصرية منخفضة التكلفة.

لإثبات قابلية التوسع غير المتعلقة بالإدراك، تم تقييم ShelfAware عبر مجالين مختلفين. في بيئة تجريبية محكمة تُحاكي بيئة البيع بالتجزئة، حققت ShelfAware معدل نجاح عالمي في التحديد يصل إلى 97%، مع الحفاظ على أعلى نجاح في التتبع بنسبة 66% تحت ظروف العوائق الديناميكية. وبالإضافة إلى ذلك، في متجر بقالة بامتداد 3500 قدم مربع يستخدم خط رؤية مفتوح الكلمات، كانت أداء ShelfAware متفوقًا بشكل ملحوظ على الأساليب الهندسية والثابتة.

من خلال نمذجة المعاني بشكل توزيعي واستخدام الاقتراحات العكسية، تمكّن ShelfAware من تجاوز ظاهرة التشابه الهندسي، مما يوفر لبنة أساسية خالية من البنية التحتية للروبوتات المتنقلة والمساعدة في البيئات الديناميكية الحقيقية. أصبح من الواضح أن ShelfAware لا تقدم فقط تقنية جديدة لتحديد المواقع، بل هي مفتاح لتحسين فعالية الروبوتات في حياتنا اليومية.