تقدير تدفق المشهد يتنبأ بالحركة ثلاثية الأبعاد في كل نقطة في المسحات المتعاقبة لليدار (LiDAR). يمكن لهذا المعلومات التفصيلية على مستوى النقطة أن تساعد السيارات ذاتية القيادة على التنبؤ بدقة وتفسير التغيرات الديناميكية في محيطها. تتطلب الأساليب الحالية الأكثر تقدماً بيانات مشمولة بالتصنيفات للتدريب على شبكات تدفق المشهد، وتكاليف التصنيف تحد بشكل جوهري من قابلية توسيع هذه الأساليب. يمكن للأساليب الذاتية الإشراف أن تتغلب على هذه القيود، ولكنها تواجه تحديين رئيسين يعيقان الأداء الأمثل: عدم توازن توزيع النقاط وعدم مراعاة قيود الحركة على مستوى الكائن. في هذا البحث، نقترح SeFlow، وهو أسلوب ذاتي الإشراف يدمج تصنيفًا ديناميكيًا فعالًا في خط أنابيب تقدير تدفق المشهد القائم على التعلم. نوضح أن تصنيف النقاط الثابتة والديناميكية يساعد في تصميم وظائف هدف مستهدفة لمختلف أنماط الحركة. كما نؤكد أهمية اتساق العنقود الداخلي وربط النقاط الصحيحة للكائنات لتحسين تقدير تدفق المشهد، خاصة فيما يتعلق بتفاصيل الكائنات. طرحتنا قادرة على العمل الزمني الحقيقي وتحقق أداءً عالميًا رائدًا في مهمة تدفق المشهد الذاتي الإشراف على مجموعتي البيانات Argoverse 2 وWaymo. تم توفير الكود مفتوح المصدر مع وزن النموذج المدرّب عند https://github.com/KTH-RPL/SeFlow.请注意，"SeFlow" 是专有名词，因此在阿拉伯语中保留了其原始形式。此外，一些技术术语如 "point distribution imbalance" 和 "object-level motion constraints" 在括号中标注了原文以确保信息的完整性。