GATS يختار 25% من الرموز عبر LiDAR ويخفض خطأ المسار L2 إلى 0.520 م

اقترح مؤلفو ورقة بحثية منشورة على arXiv (مسودة قبل التحكيم) أسلوب GATS (Geometry-Aware Token Selection)، الذي يستعين بـ LiDAR والرادار لحذف أجزاء الصورة غير الضرورية مسبقًا في نماذج القيادة الذاتية القائمة على الكاميرات. عند ميزانية 25% من الرموز بلغ خطأ المسار L2 (متوسط انحراف المسار المتوقع عن المسار الفعلي بعد 3 ثوانٍ) على مجموعة بيانات nuScenes نحو 0.520 م، مقابل 0.573 م للنموذج الكثيف الذي يعالج الإطار كاملًا. وعلى معيار NAVSIM ارتفعت الدرجة المركّبة EPDMS (الدرجة الرسمية لجودة القيادة) من 85.9 إلى 88.9، مع أن إجمالي العمليات الحسابية المطلوبة كان أقل. أي أن النموذج المتناثر يخطّط بصورة أفضل من النموذج الكثيف الذي يرى كل شيء.

لماذا يخسر النموذج الكثيف أمام نفسه

تنتج ست كاميرات محيطية يعالجها DINOv2-Small نحو 3500 رمز لكل إطار، و185 GFLOPs للترميز وحده. ويصف معظم هذه الرموز السماء أو المباني أو الطريق البعيد عن المسار. في المقابل تشغل السيارة المجاورة 3 رموز فقط (الوسيط عبر جميع السيارات في مجموعة التحقق)، بينما يصل 6913 رمزًا إلى الانتباه المتقاطع (cross-attention) في المخطِّط. فيغرق المخطِّط ذو الانتباه المحدود في آلاف الرقع عديمة الفائدة.

اختبر المؤلفون هذه الفرضية بتجربة بسيطة. فعند حذف 75% من الرموز عشوائيًا ينخفض خطأ L2 من 0.573 م إلى 0.550 م. أما فرع دمج ميزات LiDAR المُدرَّب (شبكة MLP من أربع طبقات بـ 2.4 مليون معامل) فلم يحسّن التخطيط. ويخلص الباحثون إلى أن عنق الزجاجة ليس فيما يراه النموذج، بل في كمّ الرموز الزائدة التي تتنافس على انتباه المخطِّط.

كيف يختار GATS أين ينظر

يعمل المُحدِّد بالهندسة ثلاثية الأبعاد المقيسة فقط، ولا يحتاج إلى ميزات الصورة. لذلك يرمّز ViT البصري الرقع المختارة فقط، ولا تكلّف الرقع المستبعدة أي حسابات على الإطلاق. وهذا غير ممكن في الأساليب التي تُحدَّد فيها أهمية الرمز من مخرجات الشبكة نفسها، إذ يتعين عليها ترميز الإطار كاملًا أولًا.

تُسقَط نقاط LiDAR متعددة المسحات (sweeps) وكشوفات الرادار على شبكة كل كاميرا. ويُجمَع لكل رقعة متجه من 16 بُعدًا يتضمن: الارتفاع عن الأرض، وبقايا الحركة بين المسحات، والسرعة الشعاعية من الرادار، وشدة انعكاس LiDAR. وتُقسَّم الميزانية على ثلاثة مسارات ذات مجموعات مرشحين غير متداخلة:

• 55% تُخصَّص للرقع الواقعة فوق الأرض، وتُقيَّم بحسب مؤشرات العائق والحركة والقرب من مسار السيارة؛
• 30% تذهب إلى سطح الطريق المجاور لممر الحركة؛
• 15% تُوزَّع على جميع الرقع، وتلتقط أجسامًا مثل إشارات المرور المعلّقة التي لا تملك نقاط LiDAR أرضية.

اختيرت النسب 55/30/15% ومعاملات التقييم الثابتة بالاعتماد على مجموعة التحقق، بينما تُدرَّب شبكة صغيرة من طبقتين مع نموذج العالم. ويحصل كل رمز مختار على مرساة ثلاثية الأبعاد، أي الموضع الوسيط لنقاط LiDAR الخاصة به. وتتيح هذه المراسي ربط الرقع من كاميرات مختلفة ومواءمة تاريخ الإطارات بحسب قياس المسافة (odometry). ويتنبأ نموذج عالم كامن ذاتي التعلّم بالميزات المستقبلية والإزاحات ثلاثية الأبعاد دون تسمية الصناديق (boxes).

الأرقام والقيود

عند ميزانية 10% تبلغ كلفة المسار الكامل 24 GFLOPs، مقابل 185 GFLOPs لترميز النموذج الكثيف وحده. وتبلغ قيمة L2 على nuScenes في هذه الحالة 0.537 م، وقيمة EPDMS على NAVSIM تساوي 87.9، وهذا أيضًا أفضل من خط الأساس الكثيف (0.573 م و85.9).

وفي 739 سيناريو مختارًا تكون فيه نوايا المشاركين الآخرين في الطريق حاسمة، يغطي GATS نسبة 95.8% من السيارات الخطرة. أما الاختيار العشوائي فيبلغ هذا المؤشر عنده 81.5%، والمُحدِّد القابل للتدريب 70.0%. وبلغت نسبة الاصطدامات 0.09% مقابل 0.34% للنموذج الكثيف، أي أقل بنسبة 73.5%. ويعزو المؤلفون الصمود في المواقف النادرة إلى أن الهندسة المقيسة لا تعتمد على تكرار الأجسام في بيانات التدريب: فأي سيارة تعكس LiDAR فوق مستوى الأرض ستُختار.

وهناك تحفظات. يعتمد الأسلوب على LiDAR والرادار، لذلك لا يناسب الأنظمة القائمة على الكاميرات وحدها. وقد ضُبطت معاملات التقييم ونسب المسارات يدويًا. كما أن المقارنة المباشرة بأنظمة end-to-end المنشورة صعبة، لأن لها مُرمِّزات وبيانات تدريب وبروتوكولات تقييم مختلفة. أما على NAVSIM، حيث تجعل دالة التقييم الموحّدة المقارنة منصفة، فيتفوق GATS على خط الأساس الكثيف بمقدار 3 نقاط في EPDMS. والخلاصة العملية: إذا كانت السيارة مزوّدة أصلًا بـ LiDAR، فهو أنفع كموجِّه للحسابات في شبكة الرؤية منه كمصدر إضافي للميزات.