Merged Reality

يصف الواقع المدمج (MR)، المعروف أيضًا على نطاق واسع باسم الواقع المختلط، تقارب العالم المادي مع المحتوى الرقمي المُنشأ بواسطة الحاسوب. وعلى خلاف البيئات الافتراضية أو المعززة البحتة، ينشئ الواقع المدمج مساحة سلسة تتعايش فيها الكائنات المادية والرقمية وتتفاعل في الوقت الفعلي. تعتمد هذه التقنية اعتمادًا كبيرًا على الرؤية الحاسوبية والحوسبة المكانية لرسم خريطة دقيقة للبيئة الواقعية، مما يتيح تثبيت العناصر الرقمية على الأسطح المادية واستجابتها للتغيرات المادية. ومن خلال الاستفادة من المستشعرات والكاميرات وخوارزميات التعلم العميق، تستطيع أنظمة MR فهم العمق والهندسة والإضاءة، وإنشاء تجارب غامرة تبدو ملموسة وراسخة في المحيط الفعلي للمستخدم.

أهمية الواقع المدمج في الذكاء الاصطناعي والتعلم الآلي#

يرتبط تطور الواقع المدمج ارتباطًا وثيقًا بالتقدم في مجال الذكاء الاصطناعي. ولكي يدمج النظام بين العالمين الرقمي والمادي بنجاح، يجب أن يمتلك فهمًا متطورًا للبيئة. وهنا تكتسب مهام الإدراك البصري أهمية بالغة. وتتيح تقنيات مثل اكتشاف الأجسام للنظام التعرّف على الأثاث أو الأشخاص، بينما يتيح SLAM (التوطين ورسم الخرائط المتزامنان) للجهاز تتبع موضعه بالنسبة إلى تلك الأجسام.

تستخدم تطبيقات MR الحديثة نماذج التعلم العميق لمعالجة بيانات حسية معقدة فورًا. فعلى سبيل المثال، يُستخدم تقدير الوضعية لتتبع حركات اليد للتحكم بالإيماءات، مما يلغي الحاجة إلى وحدات تحكم مادية. علاوة على ذلك، يساعد التقسيم الدلالي النظام على التمييز بين الأرضية والجدار والطاولة، بما يضمن أن تمشي شخصية رقمية على الأرضية بدلًا من أن تطفو عبر الطاولة.

التطبيقات الواقعية#

يُحدث الواقع المدمج تحولًا في الصناعات من خلال تعزيز الإنتاجية والتدريب عبر عمليات محاكاة غامرة.

• الصيانة والتدريب الصناعيان: في التصنيع، يرتدي الفنيون سماعات رأس للواقع المدمج تعرض مخططات رقمية فوق الآلات المادية. فإذا نظر أحد العاملين إلى جزء محدد من محرك، يستخدم النظام الاستدلال في الوقت الفعلي لتحديد المكوّن وعرض تعليمات الإصلاح أو مواصفات عزم الدوران مباشرة على الجزء. ويقلل هذا الإرشاد الذي لا يتطلب استخدام اليدين من الأخطاء ويسرّع المهام المعقدة.
• الجراحة والتخطيط الطبيان: يستخدم الجراحون الواقع المدمج لعرض فحوصات التصوير الطبي ثلاثية الأبعاد، مثل بيانات MRI أو CT، مباشرة فوق جسم المريض أثناء العمليات. ويتيح ذلك تصورًا دقيقًا للتشريح الداخلي دون إجراء شقوق كبيرة. ومن خلال دمج نماذج التقسيم، يستطيع النظام إبراز أعضاء أو أورام محددة في الوقت الفعلي، مما يساعد على التوجيه ويحسن نتائج الجراحة.

تمييز المصطلحات الأساسية#

من المهم التمييز بين الواقع المدمج والمفاهيم ذات الصلة ضمن نطاق "XR" (الواقع الممتد):

• الواقع المعزز (AR): يضع الواقع المعزز عادةً معلومات رقمية فوق بث الكاميرا، مثل مرشح للهاتف الذكي، من دون تفاعل مكاني عميق. أما الواقع المدمج فيتجاوز ذلك من خلال ضمان تفاعل الكائنات الرقمية ماديًا مع العالم الحقيقي، مثل ارتداد كرة رقمية عن طاولة حقيقية.
• الواقع الافتراضي (VR): ينشئ الواقع الافتراضي بيئة اصطناعية بالكامل تحجب العالم المادي تمامًا. بينما يُبقي الواقع المدمج المستخدم حاضرًا في بيئته المادية مع تحسينها.

تطبيق الرؤية الحاسوبية في الواقع المدمج#

لبناء مكوّن أساسي من نظام الواقع المدمج، مثل اكتشاف الأسطح أو الأجسام لتثبيت المحتوى الرقمي، يستخدم المطورون غالبًا نماذج اكتشاف عالية السرعة. ويُعد نموذج Ultralytics YOLO26 مناسبًا جدًا لهذا الغرض بفضل زمن استجابته المنخفض ودقته العالية، وهما عاملان أساسيان للحفاظ على وهم الواقع.

يوضح المثال التالي كيفية إجراء تقسيم المثيلات على دفق فيديو. وفي سياق الواقع المدمج، يمكن لهذا القناع على مستوى البكسل تحديد المنطقة "القابلة للمشي" لشخصية رقمية.

from ultralytics import YOLO

# Load the YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")

# Predict on a video source to identify physical objects and their boundaries
# This data helps anchor digital assets to real-world objects
results = model.predict(source="room_scan.mp4", show=True, stream=True)

for result in results:
    # Process masks to determine occlusion or physics interactions
    if result.masks:
        print(f"Detected {len(result.masks)} physical segments for interaction.")

مستقبل الواقع المدمج#

مع ازدياد خفة الأجهزة وتحسن إمكانات الحوسبة الطرفية، يُتوقع أن يصبح الواقع المدمج واسع الانتشار. ومن المرجح أن يتيح دمج الذكاء الاصطناعي التوليدي لبيئات الواقع المدمج ملء نفسها ديناميكيًا، وإنشاء توأمات رقمية للمساحات الواقعية تلقائيًا. وباستخدام أدوات مثل منصة Ultralytics، يستطيع المطورون بسهولة تدريب نماذج مخصصة للتعرف على أجسام محددة داخل هذه البيئات المدمجة، مما يدفع حدود تفاعلنا مع المعلومات في الفضاء ثلاثي الأبعاد.