ثورة جديدة في تصنيف الأجسام: تقنية Neural Distribution Prior تكشف عمق الذكاء الاصطناعي في القيادة الذاتية!

في عصر الثورة التكنولوجية، أصبحت تقنيات LiDAR أداة حيوية في مجال القيادة الذاتية، حيث تتسم بقدرتها العالية على التعامل مع ظروف الإضاءة الضعيفة والرؤية المحدودة. ومع ذلك، تظل التحديات قائمة، خصوصًا عند مواجهة أجسام غير متوقعة في البيئة المحيطة.

تحاول الأنظمة الحالية العمل وفق فرضية معينة تُعرف باسم "الإغلاق الثابت" (closed-set assumption). أي أنها تواجه صعوبة في التعرف على الأجسام التي لم يتم تدريبها مسبقًا. الأساليب الحالية لتقييم الأجسام غير المتوقعة (out-of-distribution أو OOD) غالبًا ما تواجه قيودًا، بسبب تجاهلها لعدم التوازن الكبير في الفئات المتعلقة بكشف LiDAR، بالإضافة إلى افتراضها توزيعًا ثابتًا بين الفئات.

هنا يأتي دور تقنية Neural Distribution Prior (NDP)، التي تمثل إطار عمل مبتكر يعمل على نمذجة هيكل التوزيع لنتائج الشبكات العصبية. تقوم NDP بإعادة تقييم درجات الأجسام غير المتوقعة بشكل ديناميكي، بناءً على توافقها مع توزيع تعلمي مسبق. تعتمد التقنية على تعزيز أنماط توزيع التوقعات للبيانات التدريبية وتصحيح انحياز الثقة المعتمد على الفئات باستخدام وحدة قائمة على الانتباه.

إلى جانب ذلك، تم إدخال استراتيجية توليد عينات OOD المساعدة باستخدام الضجيج بيرلين (Perlin noise)، مما يسهل تدريبًا قويًا دون الحاجة إلى مجموعات بيانات خارجية.

أظهرت التجارب الواسعة على مجموعات بيانات SemanticKITTI و STU تحسينًا ملحوظًا في أداء كشف الأجسام غير المتوقعة، إذ حققت NDP دقة من النقطة تصل إلى 61.31% في مجموعة الاختبار STU، وهو أكثر من 10 مرات أفضل من النتائج السابقة.

تعد هذه التقنية بمثابة تحول جذري في مجال تصنيف الأجسام في القيادة الذاتية، حيث تقدم حلاً قويًا وفعالًا لمعالجة تحديات الإدراك في بيئات مفتوحة.