نحو الكشف عن المسارات من النهاية إلى النهاية: نهج التقطيع حسب الحالة

تُضَمِّن السيارات الحديثة عددًا متزايدًا من ميزات مساعدة السائق، من بينها الحفاظ التلقائي على المسار. يسمح هذا الأخير للسيارة بتوجيه نفسها بشكل صحيح داخل خطوط الطريق، وهو أمر حيوي أيضًا لأي قرار لاحق يتعلق بمغادرة المسار أو تخطيط المسار في السيارات ذاتية القيادة بالكامل. تعتمد طرق الكشف التقليدية عن المسارات على مزيج من الميزات والتقديرات التي تم تصميمها بعناية وخبرة، عادةً ما يتبعها تقنيات معالجة ما بعد التقاط الصورة، وهي طرق باهظة الثمن من الناحية الحسابية ومعرضة للمحدودية بسبب تباين مشاهد الطريق. أما الأساليب الأكثر حداثة فتستفيد من نماذج التعلم العميق، التي يتم تدريبها على تقسيم المسارات بكثافة البكسل (pixel-wise lane segmentation)، حتى عندما لا تكون هناك علامات في الصورة بفضل مجال الاستقبال الكبير لديها. رغم مزاياها، فإن هذه الطرق محدودة في كشف عدد ثابت ومحدد سلفًا من المسارات، مثل مسار السيارة نفسها (ego-lanes)، ولا تستطيع التعامل مع تغييرات المسارات. في هذا البحث، نتجاوز هذه القيود ونقترح تحويل مشكلة كشف المسارات إلى مشكلة تقسيم النماذج (instance segmentation) - حيث يشكل كل مسار نموذجه الخاص - والتي يمكن تدريبها بشكل شامل. لتوسيط النماذج المقسمة قبل ضبط المسار، نقترح أيضًا تطبيق تحويل المنظور الذي تم تعلمه وتعديله بناءً على الصورة، بدلًا من التحويل الثابت "للرؤية العلوية" (bird's-eye view). بهذه الطريقة، نضمن ضبط مسار مقاوم للتغيرات في مستوى الطريق، على عكس الأساليب الموجودة التي تعتمد على تحويل ثابت ومحدد سلفًا. وبالمجمل، نقترح خوارزمية كشف سريع عن المسارات تعمل بمعدل 50 إطارًا في الثانية وتستطيع التعامل مع عدد متغير من المسارات ومع تغييرات المسارات. نتحقق من صحة طريقتنا باستخدام مجموعة بيانات tuSimple ونحقق نتائج تنافسية.