NVIDIA تحسّن تجميع BEV على وحدات GPU للمركبات ذاتية القيادة والروبوتات والذكاء الاصطناعي المكاني

نشرت NVIDIA دليلًا تقنيًا مفصلًا لتسريع تجميع BEV (BEV pooling) على وحدات GPU التي تنتجها. وتُعد هذه العملية إلزامية في أي نظام يعتمد على عدة كاميرات، من المركبات ذاتية القيادة إلى الروبوتات الصناعية وأنظمة الذكاء الاصطناعي المكاني.

ما هو الإدراك بمنظور BEV

يرمز BEV إلى Bird's-Eye-View، أي المنظور العلوي. فبدلًا من معالجة صور ست إلى ثماني كاميرات كل على حدة، يُسقِط النموذج ميزات كل كاميرا على خريطة واحدة بمنظور علوي. وعلى هذه الخريطة يحلّل الذكاء الاصطناعي الفضاء المحيط كما يطالع الإنسان مخططًا للطريق: يرى الحارات والسيارات والمشاة والمساحات الخالية ضمن فضاء إحداثي موحد.

قبل ظهور BEV، كانت معظم الأنظمة تستخدم كاشفات مستقلة لكل كاميرا ووحدة منفصلة لدمج البيانات. وقد أدى ذلك إلى عدم اتساق عند نقاط التقاء مجالات الرؤية، وزاد من تعقيد تقدير المسافات. ويعالج BEV المشكلة من جذورها، إذ يُزيل الإسقاط على فضاء موحد الفواصل بين الكاميرات ويبسّط تخطيط المسار لاحقًا.

أصبحت نماذج BEV معيارًا فعليًا في أنظمة القيادة الآلية والروبوتات. وفي الروبوتات الصناعية، يتيح هذا النهج لحزمة الملاحة الحصول على صورة متكاملة للبيئة المحيطة دون دمج معقد للبيانات بين عدة مصنِّفات مستقلة.

أين تظهر نقطة الاختناق

العملية المحورية في مسار BEV هي التجميع نفسه: يجب «استجواب» كل نقطة في الخريطة العلوية عبر كل كاميرا، واستخراج الميزة المقابلة من خريطة الميزات (feature map)، ثم حساب متوسط النتائج. وعند دقة خريطة BEV تبلغ 200×200 خلية وبوجود ست كاميرات، يعني ذلك عشرات الملايين من العمليات بنمط وصول عشوائي إلى الذاكرة.

• الوصول غير الخطي إلى الذاكرة لا يتوافق مع ذاكرة التخزين المؤقت (cache) في GPU، وقد يتحول كل طلب إلى إخفاق في الذاكرة المؤقتة
• عرض نطاق الذاكرة هو نقطة الاختناق الحقيقية، لا القدرة الحسابية للنوى
• يستهلك تجميع BEV ما يصل إلى 30–40% من زمن دورة الاستدلال (inference) بأكملها
• عند تحديث الخريطة بتردد 20 هرتز، يتراكم التأخير بسرعة حرجة
• التنفيذ الساذج على CUDA يعمل بشكل سيئ حتى على وحدات GPU القوية في مراكز البيانات وعلى رقائق Orin

تشرح NVIDIA بالتفصيل لماذا لا تُحل المشكلة بمجرد زيادة قوة GPU، فالمطلوب هو تحسين نمط التعامل مع الذاكرة وترتيب العمليات الحسابية.

ما الذي تقترحه NVIDIA

الحل الأساسي هو نوى CUDA محسّنة بترتيب عمليات مدروس بعناية واستخدام مكثف للذاكرة المشتركة (shared memory). والفكرة المحورية هي تجميع الطلبات بحيث تصل عدة خيوط معالجة إلى عناوين متجاورة في وقت واحد. وهذا يحوّل الطلبات الفردية العشوائية إلى معاملات جماعية فعالة، تعالجها وحدة GPU بسرعة أكبر بكثير.

توفر NVIDIA أيضًا إضافة (plugin) جاهزة لـ TensorRT تندمج في أي مسار استدلال دون إعادة كتابة النموذج. وهذا مفيد خصوصًا للفرق التي تستخدم TensorRT بالفعل في بيئات الإنتاج، إذ يُطبَّق التحسين دون تغيير بنية الشبكة.

وتصف NVIDIA بشكل منفصل تقنية حساب فهارس الإسقاط مسبقًا: تُحسب مرة واحدة عند التهيئة التطابقات بين خلايا BEV وبكسلات الكاميرات، ثم تُخزَّن في الذاكرة. وعلى رقائق Jetson Xavier وOrin، المركّبة في روبوتات ومركبات ذاتية القيادة حقيقية، يمنح ذلك زيادة ملحوظة في الأداء، وذلك تحديدًا بسبب محدودية القدرة الحسابية مقارنة بوحدات GPU في مراكز البيانات.

«التنفيذ الصحيح لتجميع BEV هو الفارق بين نظام يعمل في الزمن الحقيقي

ونظام لا يلحق بالوتيرة المطلوبة»، بحسب ما يرد في المادة التقنية لـ NVIDIA.

ماذا يعني ذلك

يتحول الإدراك بمنظور BEV من مفهوم بحثي إلى مكوّن أساسي في Physical AI، وهو المصطلح الذي تستخدمه NVIDIA بوتيرة متزايدة لوصف الروبوتات والمركبات ذاتية القيادة والأتمتة الصناعية. ويحدد تحسين العمليات الأساسية، مثل تجميع BEV، بشكل مباشر عدد الكاميرات التي يمكن تشغيلها وبأي تردد يمكن تحديث خريطة الإدراك.

وبالنسبة للفرق التي تعمل على منصة NVIDIA Jetson أو تستخدم TensorRT، يقدم هذا الدليل أدوات تسريع عملية دون الحاجة إلى تغيير بنية النموذج.