Spatial Computing

الحوسبة المكانية نموذج تقني آخذ في التطور، يمزج العالمين الرقمي والمادي بسلاسة، ما يتيح للبشر والآلات التفاعل مع معلومات رقمية مثبتة في الحيز المادي ثلاثي الأبعاد. صاغ Simon Greenwold هذا المصطلح عام 2003، وسرّعت الإنجازات الحديثة في تعلّم الآلة (ML) تطور هذا المفهوم. ومن خلال دمج الواقعين عبر الواقع المعزز (AR) والواقع الافتراضي (VR) — ولا سيما على أجهزة متقدمة مثل Apple Vision Pro — تتجاوز الحوسبة المكانية الشاشات التقليدية ثنائية الأبعاد لتنشئ بيئات غامرة حقًا. وتعتمد على تكامل الأجهزة، مثل مستشعرات LiDAR، وأطر التعلّم العميق مثل PyTorch، لرسم الخرائط للحيز المادي وتفسيره والتعامل معه بدقة وفي الوقت الفعلي.

المكونات الأساسية للحوسبة المكانية#

يتطلب توفير تجربة حوسبة مكانية سريعة الاستجابة عدة تقنيات مترابطة لإدراك العالم الحقيقي ورقمنته بسلاسة:

• دمج المستشعرات: تستخدم الأجهزة مزيجًا من الكاميرات البصرية وأدوات تقدير العمق ومستشعرات الضوء لجمع بيانات مكانية ثلاثية الأبعاد مستمرة عن تخطيط البيئة المادية المحيطة.
• الذكاء الاصطناعي البصري: تكمن القدرة على تفسير البيانات البصرية في صميم الحوسبة المكانية. وتوفر نماذج مثل Ultralytics YOLO26 إمكانات اكتشاف الكائنات وتتبعها في الوقت الفعلي، ما يسمح للأنظمة المكانية بفهم الأجسام المادية الموجودة في الغرفة فورًا.
• الحوسبة الطرفية: لمنع التأخير وضمان تفاعل سلس، تعالج الأجهزة البيانات المعقدة محليًا بدلًا من الاعتماد الكامل على الشبكات السحابية البعيدة.
• التقاط العالم وعرضه: تُستخدم تقنيات الذكاء الاصطناعي التوليدي لإعادة بناء بيئات ثلاثية الأبعاد بسرعة انطلاقاً من صور ثنائية الأبعاد. ويشمل ذلك حقول الإشعاع العصبية (NeRFs)، التي قُدّمت لأول مرة في ورقة على arXiv عام 2020، والتناثر الغاوسي.

الحوسبة المكانية مقابل الرؤية الحاسوبية#

على الرغم من تناولهما معًا في كثير من الأحيان، من المهم التمييز بين الحوسبة المكانية والرؤية الحاسوبية. فـالرؤية الحاسوبية فرع من الذكاء الاصطناعي يركز تحديدًا على تمكين الآلات من «رؤية» البيانات البصرية من العالم الحقيقي وتفسيرها. أما الحوسبة المكانية فهي منظومة حوسبة أوسع تستخدم الرؤية الحاسوبية أداةً أساسية. فعلى سبيل المثال، قد تحدد الرؤية الحاسوبية كرسيًا في غرفة، بينما تستفيد الحوسبة المكانية من هذه البيانات لتمكين المستخدم من وضع مصباح رقمي افتراضي على الكرسي باستخدام واجهة غامرة.

تطبيقات الذكاء الاصطناعي والتعلم الآلي في العالم الحقيقي#

تُحدث الحوسبة المكانية تحولًا في قطاعات عديدة عبر سد الفجوة بين المعالجة الرقمية والتنفيذ المادي. ومن تطبيقاتها القوية في الواقع العملي:

1. الروبوتات ذاتية التشغيل والتصنيع: تتيح الحوسبة المكانية للروبوتات في المنشآت الصناعية الذكية تعلم المهام الميكانيكية المعقدة عبر التعلم بالتقليد. ويستخدم المشغلون نظارات الواقع المعزز لعرض إجراءات التجميع بصورة طبيعية. ويتتبع الحاسوب المكاني حركات الإنسان في فضاء ثلاثي الأبعاد، ويحوّلها إلى بيانات تدريب، ويتيح للروبوت تكرار الإجراءات بأمان.
2. المركبات ذاتية القيادة والمدن الذكية: تعتمد أنظمة النقل الحديثة اعتمادًا كبيرًا على الحوسبة المكانية للتنقل بأمان. فمن خلال الجمع المستمر بين خوارزميات تتبع الأجسام المتعددة (MOT) والخرائط المكانية التي تنشئها مستشعرات إنترنت الأشياء، تحافظ السيارة ذاتية القيادة على فهم ثلاثي الأبعاد ديناميكي لبيئتها.

دمج الذكاء الاصطناعي البصري في مسارات العمل المكانية#

يبدأ إنشاء مسار عمل للحوسبة المكانية عادةً بتحديد الأجسام في الحيز المادي وتحديد مواقعها. فعلى سبيل المثال، يساعد استخدام نموذج تقدير الوضعية على تحديد وضعية الشخص بدقة، ومن ثم يمكن استخدام ذلك لتثبيت عنصر افتراضي على يده أو جسمه في بيئة واقع مختلط.

فيما يلي مثال على استخراج النقاط المفتاحية باستخدام Python، وهي خطوة أولى أساسية لرسم الخرائط المكانية التفاعلية:

from ultralytics import YOLO

# ⁨حمّل نموذج الوضعية Ultralytics YOLO26 لتثبيت العناصر المكانية⁩
model = YOLO("yolo26n-pose.pt")

# ⁨تنبأ بالنقاط المفتاحية ثنائية الأبعاد واستخرجها لرسم الخرائط المكانية⁩
results = model.predict(source="environment.jpg")
for r in results:
    print(r.keypoints.xy)  # ⁨أخرج إحداثيات الوضعيات المكتشفة⁩

غالبًا ما يدير المطورون نماذجهم المدرّبة وينشرونها بأمان باستخدام منصة Ultralytics في التطبيقات المكانية واسعة النطاق، إذ تبسّط المنصة إنشاء محركات الذكاء الاصطناعي التي تشغّل شبكات الذكاء المكاني الحديثة. ويسمح دمج نماذج الرؤية الفعالة هذه في بنيات الذكاء الاصطناعي الطرفي للمطورين بإنشاء التجارب سريعة الاستجابة والبديهية اللازمة لمستقبل التفاعل بين الإنسان والحاسوب.