في هذا البحث، نطور شبكات عصبية مكافئة للدوران لتقسيم البانورامي رباعي الأبعاد (4D Panoptic Segmentation). يعتبر تقسيم البانورامي رباعي الأبعاد مهمة معيارية في قيادة السيارات ذاتية القيادة، حيث يتطلب التعرف على الفئات الدلالية والكائنات المحددة على الطريق بناءً على المسح باستخدام ليدار (LiDAR)، بالإضافة إلى تعيين هويات متسقة زمنياً للكائنات عبر الزمن. نلاحظ أن سيناريو القيادة يمتلك تناظراً للدوران في المستوى الأرضي. لذلك، يمكن أن توفر المكافأة للدوران تعميمًا أفضل وتعلمًا أكثر ثباتًا للميزات.بشكل خاص، نراجع استراتيجيات تجميع الكائنات المحددة وإعادة صياغة طريقة التمركز (Centerness-based Approach) وطريقة الانحراف (Offset-based Approach) كتنبؤ بحقول قياسية ثابتة وحقول متجهية مكافئة. يتم أيضًا توحيد المهام الفرعية الأخرى من هذه الزاوية، ويتم تصميم طبقات مختلفة ثابتة ومكافئة لتسهيل تنبؤاتها. من خلال تقييم النماذج المكافئة لدينا على المعيار القياسي لتقسيم البانورامي رباعي الأبعاد في SemanticKITTI، نظهر أن نماذجنا المكافئة تحقق دقة أعلى مع تكاليف حسابية أقل مقارنة بنماذجها غير المكافئة. علاوة على ذلك، يحدد أسلوبنا أداءً جديدًا رائدًا ويحتل المركز الأول في قائمة تصنيف تقسيم البانورامي رباعي الأبعاد في SemanticKITTI.