تعتمد الأنظمة الذاتية بشكل متزايد على وحدات الرؤية لتساعدها في التنقل عبر البيئات الديناميكية. ومع ذلك، كانت التحديات المتعلقة بتغير متطلبات تدفق بيانات الرؤية (throughput) في السيناوات المختلفة تشير إلى نقص في الكفاءة. فعلى مدى السنوات الماضية، افترضت معظم استراتيجيات الرؤية المثلى معدل إطارات ثابت، مما أدى إلى تباين في مستوى تقديم الموارد اللازمة وارتفاع استهلاك الطاقة.

لكن الآن، تقدم استراتيجية TAPAS (Throughput-adaptive Perception for Autonomous Systems) حلاً فعّالاً لهذه المشكلة. تعمل هذه الاستراتيجية على دمج الوعي بتعقيد المشهد (scene complexity awareness) لتقدير معدل الإطارات المستهدف (FPS) المتغير، ومعها خريطة ديناميكية للنماذج (dynamic model-to-cluster mapping) لضمان تلبية متطلبات تدفق البيانات بأقل استهلاك للطاقة الممكن.

تستخدم TAPAS تقنية التعلم التعزيزي (Reinforcement Learning) مع نموذج استدلال المكافآت (Reward Reasoning Model) ووكيل وحدة الذاكرة المتكررة (Gated Recurrent Unit - GRU) لتنسيق مهام الرؤية عبر منصات الهواتف المحمولة والحواف. وقد تم تقييم هذه الاستراتيجية باستخدام منصة Jetson Orin NX على بيانات KITTI وnuScenes.

أظهرت نتائج التجارب أن TAPAS حققت نسبة مطابقة لتدفق البيانات تتراوح بين 93-100% على مجموعة بيانات KITTI، مع توفير للطاقة يصل إلى 76%. بينما حافظت على نسبة مطابقة تبلغ 97% على مجموعة بيانات nuScenes غير المرئية مع تقليل استهلاك الطاقة بنسبة 64% مقارنة بأحدث الطرق التقليدية.

بهذا، تؤكد TAPAS على قدرتها التنافسية ومرونتها في مواجهة التحديات المتزايدة للأنظمة الذاتية.