رسم تعاوني مُدرَّس للاستشعار متعدد الوكالات

لتعزيز توازن الأداء-العرض (performance-bandwidth trade-off) في التوصّل المتعدد الوكالات، نُقدّم رسمًا تفاعليًا مُستخلصًا جديدًا يُسمى "ديسكوغراف" (DiscoGraph) لتمثيل تعاون قابل للتدريب، يراعي وضعية الوكالات، ويتكيف تلقائيًا بينها. تكمن مبتكراتنا الرئيسية في جوانبين رئيسيين. أولاً، نقترح إطارًا مُدرّبًا يعتمد على نموذج المعلم (teacher) والطالب (student) لتدريب ديسكوغراف من خلال عملية استخلاص المعرفة (knowledge distillation). يعتمد نموذج المعلم على تعاون مبكر باستخدام مدخلات تُمثّل الرؤية الشاملة (holistic-view)، بينما يعتمد نموذج الطالب على تعاون متوسط باستخدام مدخلات من منظور واحد (single-view). يُدرّب إطارنا ديسكوغراف من خلال تقييد خرائط الميزات بعد التفاعل في نموذج الطالب لتناسب التقابلات الموجودة في نموذج المعلم. ثانيًا، نقترح استخدام وزن حافة مصفوفي (matrix-valued edge weight) في ديسكوغراف. في هذا المصفوفة، يُعبّر كل عنصر عن انتباه بين الوكالات في منطقة مكانيّة محددة، مما يمكّن كل وكالة من التكيّف التلقائي لتمييز المناطق المفيدة. أثناء الاستدلال (inference)، نحتاج فقط إلى استخدام نموذج الطالب المُسمى "الشبكة التفاعلية المستخلصة" (DiscoNet). وبفضل الإطار المُدرّب على نموذج المعلم والطالب، يمكن لعدة وكالات تشاركية باستخدام شبكة ديسكو نت أن تصل أداءها إلى مستوى نموذج معلم افتراضي يمتلك رؤية شاملة. وقد تم التحقق من أداء طريقة العمل هذه على مجموعة بيانات التوصّل المتعدد الوكالات على نطاق واسع، تُدعى V2X-Sim 1.0، التي أنشأناها باستخدام التفاعل المُحاكى المشترك بين CARLA وSUMO. تُظهر التجارب الكمية والكيفية في كشف الأجرام ثلاثية الأبعاد في البيئات متعددة الوكالات أن ديسكو نت ليس فقط يحقق توازنًا أفضل بين الأداء والعرض مقارنةً بالأساليب المتطورة الحالية في التوصّل التعاوني، بل يقدّم أيضًا منطق تصميم أكثر وضوحًا وسلاسة. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/ai4ce/DiscoNet.