Stereo Vision

الرؤية المجسمة، والمعروفة أيضاً بالرؤية الاستريوسكوبية، هي تقنية رؤية حاسوبية تُستخدم لاستخراج معلومات العمق ثلاثي الأبعاد من الصور الرقمية. من خلال مقارنة صورتين ثنائيت محتملتين أو أكثر لنفس المشهد المأخوذة من زوايا مختلفة قليلاً - محاكاة للرؤية الثنائية البشرية - يمكن أنظمة الذكاء الاصطناعي حساب المسافة إلى الكائنات بدقة. تعتبر هذه القدرة أساسية للذكاء المكاني، مما يسمح للآلات بالتنقل في بيئاتها والتفاعل مع الكائنات الفيزيائية بأمان.

كيف تعمل الرؤية المجسمة#

يعتمد العملية على العثور على الاختلافات بين عروض الكاميرا اليمنى واليسرى. التحدي الأساسي هنا هو مشكلة المراسلة، والتي تتضمن تحديد نفس البكسلات أو الميزات بالضبط في كلا الصورتين. بمجرد العثور على النقاط المطابقة، يقوم النظام بحساب الإزاحة الأفقية، مما يؤدي إلى إنشاء خريطة التفاوت.

في خريطة التفاوت، تشير التحولات الأكبر إلى كائنات أقرب، بينما تعني التحولات الأصغر أن الكائن أبعد. باستخدام التثليث، يتم بعد ذلك تحويل هذه الخريطة إلى سحابة نقاط ثلاثية الأبعاد كثيفة. في حين قادت الخوارزميات الرياضية التقليدية تاريخياً هذه الحسابات، فإن النهج الحديثة تعتمد بشكل متزايد على شبكات العصبونات التلافيفية (CNNs) والتعلم العميق لتحسين دقة مطابقة الميزات في الإضاءة المعقدة أو المناطق الخالية من النسيج، كما هو مفصل في أبحاث الرؤية الحاسوبية الحديثة لـ IEEE.

الرؤية المجسمة مقابل تقدير العمق الأحادي#

من المهم التمييز بين الرؤية المجسمة وتقنيات تقدير العمق التي تستخدم كاميرا واحدة فقط. يستخدم تقدير العمق الأحادي نماذج التعلم العميق للتنبؤ بالهياكل ثلاثية الأبعاد من صورة ثنائية الأبعاد واحدة بناءً على الإشارات المرئية مثل المنظور والتظليل. في المقابل، تقيس الأنظمة المجسمة العمق مباشرة باستخدام العلاقة الهندسية بين عدستي كاميرا. وفي حين أن الطرق أحادية العين تكون أخف حسابياً، فإن الرؤية المجسمة توفر عادة قياسات عمق أكثر دقة وفورية ضرورية لأنظمة السلامة الحرجة.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

تعتبر الأنظمة المجسمة حيوية عبر مختلف الصناعات التي تتطلب اكتشاف الكائنات ثلاثية الأبعاد في العالم الحقيقي والوعي المكاني.

• التنقل في القيادة الذاتية: تستخدم تقنيات القيادة الذاتية التي طورتها شركات مثل Waymo كاميرات مجسمة لتقدير المسافة بدقة إلى المشاة، والمركبات الأخرى، والعوائق في الوقت الفعلي، وتغذية هذه البيانات الدقيقة للعمق في أنظمة النمذجة التنبؤية لتخطيط مسارات آمنة.
• أتمتة الروبوتات الصناعية: تستخدم روبوتات التصنيع الرؤية المجسمة لمهام التقاط الصناديق المعقدة. من خلال حساب العمق الدقيق والاتجاه للأجزاء المتناثرة على سير النقل، يمكن للأنظمة الروبوتية محاذاة قابضاتها تماماً، مما يحسن الكفاءة في خطوط التصنيع الذكية.
• التصوير الطبي المتقدم: تستخدم روبوتات الجراحة وأنظمة التشخيص الكاميرات الاستريوسكوبية لتزويد الجراحين برؤية ثلاثية الأبعاد دقيقة للغاية لتشريح المريض أثناء الإجراءات طفيفة التوغل، وهو اتجاه يتم تسليط الضوء عليه متكرراً في نسخ arXiv الأولية الحديثة حول الذكاء الاصطناعي الطبي.

دمج الذكاء الاصطناعي مع بيانات الستيريو#

غالباً ما يستخدم المطورون الرؤية المجسمة جنباً إلى جنب مع اكتشاف الكائنات للعثور على ما هو موجود وإلى أي مدى يبعد. يُستخدم إطار عمل OpenCV بشكل شائع لإنشاء خرائط التفاوت، وغالباً ما يتم دمجه ضمن خطوط أنابيب أوسع مثل PyTorch أو TensorFlow، بينما تتعامل نماذج الذكاء الاصطناعي مع الإدراك. فيما يلي مثال مفاهيمي لاكتشاف الكائنات باستخدام Ultralytics YOLO26 واسترجاع صناديق الإحاطة الخاصة بها، والتي يمكن استخدامها بعد ذلك لاستخراج قيم المسافة المتوسطة من خريطة تفاوت OpenCV المرتبطة.

import cv2
from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model for high-speed edge inference
model = YOLO("yolo26n.pt")

# Read the left camera frame (typically used as the primary frame for detection)
left_frame = cv2.imread("left_camera_frame.jpg")

# Run inference to detect objects in the scene
results = model(left_frame)

# Extract bounding boxes to later combine with a stereo disparity map
for result in results:
    for box in result.boxes.xyxy:
        x1, y1, x2, y2 = map(int, box[:4])
        print(f"Detected object bounding box: [{x1}, {y1}, {x2}, {y2}]")
        # Depth values can now be extracted from the disparity map within this specific region

التطورات والاتجاهات المستقبلية#

أصبح تدريب ونشر نماذج الإدراك المتقدمة مبسطاً للغاية. باستخدام أدوات مثل منصة Ultralytics، يمكن فرق العمل تعليق أزواج الاستريو بأمان، وتدريب نماذج قوية، وتصديرها إلى تنسيقات محسنة مثل TensorRT للاستدلال منخفض التأخير على أجهزة الحافة للذكاء الاصطناعي.

تظهر التطورات الأخيرة من منظمات مثل مختبر ستانفورد للرؤية والتعلم اتجاهاً متزايداً في دمج الرؤية المجسمة مع محولات الرؤية (ViT) والنماذج التأسيسية من Google DeepMind لحل مشكلة المراسلة بشكل أسرع. علاوة على ذلك، ومع تطور نماذج الذكاء الاصطناعي المتعددة الوسائط من قادة مثل Anthropic وOpenAI، فإن دمج البيانات المكانية ثلاثية الأبعاد القوية سيستمر في دفع حدود ما يمكن لوكلاء الذكاء الاصطناعي المجسد إدراكه وفهمه.