پایان نامه
**ادراک فضایی سه‌بعدی هوشمند برای مکان‌یابی، نقشه‌سازی و درک معنایی بلادرنگ ربات‌های خودران**

چکیده

این پژوهش با هدف توسعه یک چارچوب جامع برای ادراک فضایی سه‌بعدی (3D Spatial Perception) در ربات‌های خودران ارائه شده است؛ چارچوبی که بتواند به‌صورت بلادرنگ (Real-Time)، علاوه بر تعیین موقعیت و نقشه‌سازی هم‌زمان (SLAM – Simultaneous Localization and Mapping)، درک معنایی محیط (Metric-Semantic SLAM) را نیز فراهم کند. مسئله اصلی این تحقیق، محدودیت روش‌های سنتی SLAM در ارائه نقشه‌هایی است که علاوه بر دقت هندسی، دارای اطلاعات معنایی و ساختاری قابل استفاده برای تصمیم‌گیری هوشمند باشند. نویسنده با بررسی روند تکامل روش‌های نقشه‌سازی از نقشه‌های پراکنده به بازسازی‌های متراکم، مجموعه‌ای از الگوریتم‌های نوین را برای بازسازی سه‌بعدی دقیق، سریع و مقیاس‌پذیر ارائه می‌دهد.

در این پایان‌نامه ابتدا روش‌هایی برای تولید مش‌های سه‌بعدی (3D Mesh) و بازسازی حجمی (Volumetric Reconstruction) توسعه یافته‌اند تا محیط با دقت بالا و به‌صورت بلادرنگ بازسازی شود. سپس با بهره‌گیری از میدان‌های تابشی عصبی (Neural Radiance Fields – NeRF) کیفیت بازسازی هندسی و فتو‌متریک (Photometric) بهبود یافته و امکان ایجاد مدل‌هایی نزدیک به دنیای واقعی فراهم می‌شود. در ادامه، سامانه متن‌باز Kimera به‌عنوان بستری برای مکان‌یابی، نقشه‌سازی و برچسب‌گذاری معنایی معرفی شده و قابلیت تولید نقشه‌های متریک-معنایی را در زمان واقعی نشان می‌دهد. مهم‌ترین نوآوری پژوهش، معرفی گراف‌های پویای صحنه سه‌بعدی (3D Dynamic Scene Graphs – DSGs) است که اطلاعات محیط را در سطوح مختلف، از اشیا و انسان‌ها تا اتاق‌ها و ساختمان‌ها، به‌صورت سلسله‌مراتبی سازمان‌دهی می‌کند و امکان برنامه‌ریزی مسیر معنایی، تعامل با محیط و اجرای فرمان‌های مبتنی بر زبان طبیعی را برای ربات‌ها فراهم می‌سازد.

نتایج آزمایش‌های گسترده نشان می‌دهد که روش‌های پیشنهادی از نظر دقت مکان‌یابی، کیفیت بازسازی سه‌بعدی، درک معنایی محیط و سرعت پردازش، عملکرد بسیار مطلوبی داشته و قابلیت استفاده در محیط‌های واقعی و پیچیده را دارند. همچنین انتشار متن‌باز الگوریتم‌ها، داده‌ها و ابزارهای توسعه‌یافته، زمینه را برای تحقیقات آینده در حوزه رباتیک، بینایی ماشین و سیستم‌های هوشمند فراهم کرده است. در مجموع، این پژوهش گامی مؤثر در جهت نزدیک‌تر شدن ربات‌ها به درک فضایی مشابه انسان و دستیابی به ناوبری و تعامل هوشمند در محیط‌های پویا محسوب می‌شود.
“`html

“`

خلاصه پایان‌نامه

این پایان‌نامه با عنوان «ادراک فضایی سه‌بعدی با SLAM متراکم متریک-معنایی بلادرنگ» به یکی از مهم‌ترین چالش‌های رباتیک و بینایی ماشین می‌پردازد؛ اینکه چگونه یک ربات بتواند محیط اطراف خود را همانند انسان درک کند، موقعیت خود را تشخیص دهد، نقشه‌ای دقیق از محیط بسازد، اشیای موجود را شناسایی کند و بر اساس این اطلاعات تصمیم‌های هوشمندانه بگیرد. نویسنده معتقد است که اگرچه ربات‌های امروزی از نظر سخت‌افزاری پیشرفت قابل‌توجهی داشته‌اند، اما هنوز در درک واقعی محیط و تعامل هوشمند با آن فاصله زیادی با انسان دارند. به همین دلیل، هدف اصلی این پژوهش توسعه مجموعه‌ای از الگوریتم‌ها و چارچوب‌های نرم‌افزاری است که بتوانند ادراک فضایی سه‌بعدی را به‌صورت کامل و بلادرنگ برای ربات‌های خودران فراهم کنند.

در ابتدای پژوهش، نویسنده مفهوم «ادراک فضایی سه‌بعدی» را به چهار بخش اصلی تقسیم می‌کند. نخست، ربات باید بتواند موقعیت و جهت خود را در محیط تشخیص دهد که این مسئله با عنوان مکان‌یابی (Localization) شناخته می‌شود. دوم، لازم است هم‌زمان نقشه‌ای سه‌بعدی از محیط ایجاد شود که به آن نقشه‌سازی (Mapping) گفته می‌شود. مرحله سوم، افزودن اطلاعات معنایی به نقشه است؛ به این معنا که سیستم تنها شکل اجسام را تشخیص ندهد، بلکه بتواند تشخیص دهد هر بخش از محیط چه ماهیتی دارد؛ برای مثال دیوار، میز، صندلی، در یا انسان است. مرحله چهارم نیز سازمان‌دهی این اطلاعات در قالب ساختاری سلسله‌مراتبی است که روابط میان اشیا، اتاق‌ها و ساختمان‌ها را نمایش دهد. این چهار مرحله در کنار یکدیگر مفهوم کامل ادراک فضایی سه‌بعدی را تشکیل می‌دهند.

نویسنده توضیح می‌دهد که روش‌های سنتی SLAM طی سال‌های گذشته عمدتاً بر مکان‌یابی و تولید نقشه‌های پراکنده تمرکز داشته‌اند. در این روش‌ها تنها تعداد محدودی نقطه از محیط بازسازی می‌شود که برای تعیین موقعیت ربات مناسب است، اما اطلاعات کافی برای درک کامل محیط، برنامه‌ریزی مسیر، اجتناب از موانع یا تعامل با اشیا را فراهم نمی‌کند. بنابراین یکی از اهداف اصلی این پایان‌نامه، عبور از نقشه‌های پراکنده و حرکت به سمت بازسازی متراکم و دقیق محیط است؛ به‌گونه‌ای که تقریباً تمامی اجزای محیط با جزئیات بالا مدل‌سازی شوند.

برای دستیابی به این هدف، نخستین بخش پایان‌نامه مجموعه‌ای از روش‌های بازسازی سه‌بعدی مبتنی بر مش (3D Mesh) را معرفی می‌کند. در این روش‌ها، به جای استفاده از مجموعه‌ای از نقاط پراکنده، از شبکه‌ای از مثلث‌ها برای نمایش هندسه محیط استفاده می‌شود. نویسنده با ارائه الگوریتم‌هایی برای تولید تدریجی این مش‌ها و اعمال محدودیت‌های ساختاری، تلاش می‌کند نقشه‌هایی هموارتر، دقیق‌تر و مناسب برای پردازش بلادرنگ تولید کند. همچنین از اطلاعات دوربین و حسگرهای اینرسی به‌صورت هم‌زمان استفاده می‌شود تا دقت مکان‌یابی افزایش یابد و کیفیت بازسازی سه‌بعدی بهبود پیدا کند. این روش‌ها علاوه بر افزایش دقت، مصرف حافظه و زمان پردازش را نیز کنترل می‌کنند و برای اجرا روی ربات‌های متحرک مناسب هستند.

در ادامه، پژوهش به یکی از مشکلات مهم بازسازی سه‌بعدی می‌پردازد؛ یعنی نویز موجود در داده‌های عمق و ناهمواری سطوح بازسازی‌شده. برای رفع این مشکل، از روش‌های بهینه‌سازی محدب استفاده شده است تا مش‌های سه‌بعدی نرم‌تر، دقیق‌تر و نزدیک‌تر به واقعیت تولید شوند. برخلاف بسیاری از روش‌های قبلی که ابتدا محیط را به‌صورت حجمی بازسازی کرده و سپس مش استخراج می‌کردند، در این پایان‌نامه مش مستقیماً از داده‌های عمق تولید می‌شود که موجب کاهش هزینه محاسباتی و افزایش سرعت اجرا می‌شود. این بخش نشان می‌دهد که با استفاده از بهینه‌سازی مناسب می‌توان کیفیت بازسازی را بدون افزایش چشمگیر هزینه پردازش ارتقا داد.

پس از آن، نویسنده به بازسازی حجمی محیط می‌پردازد. برخلاف روش‌های مبتنی بر مش که سرعت بالایی دارند، بازسازی حجمی دقت بیشتری در نمایش سطوح پیچیده فراهم می‌کند. در این پایان‌نامه برای افزایش دقت بازسازی، از مدل‌های احتمالاتی استفاده شده است تا میزان اطمینان هر اندازه‌گیری عمق در فرآیند تلفیق اطلاعات لحاظ شود. بدین ترتیب نقاطی که دارای عدم قطعیت بیشتری هستند تأثیر کمتری بر مدل نهایی خواهند داشت و نقشه سه‌بعدی دقیق‌تر و پایدارتر تولید می‌شود. این رویکرد به‌ویژه در محیط‌های پیچیده و دارای نویز عملکرد مطلوبی از خود نشان می‌دهد.

یکی از نوآورانه‌ترین بخش‌های پایان‌نامه، توسعه سامانه NeRF-SLAM است. در این روش، فناوری میدان‌های تابشی عصبی (Neural Radiance Fields) با الگوریتم‌های SLAM ترکیب می‌شود تا علاوه بر بازسازی دقیق هندسه محیط، ویژگی‌های ظاهری آن مانند رنگ، نور و بافت نیز با دقت بسیار بالا بازسازی شوند. در نتیجه مدل سه‌بعدی حاصل، تنها یک مدل هندسی نیست، بلکه از نظر بصری نیز شباهت زیادی به محیط واقعی دارد. نویسنده با ترکیب اطلاعات دوربین تک‌چشمی، داده‌های عمق و برآورد عدم قطعیت، موفق شده است بازسازی‌هایی با کیفیت بالا و سرعت مناسب ارائه کند که نسبت به بسیاری از روش‌های پیشین عملکرد بهتری دارند.

گام بعدی پژوهش، توسعه سامانه Kimera است. Kimera یک چارچوب متن‌باز برای انجام SLAM متریک-معنایی در زمان واقعی است. این سامانه از چندین بخش تشکیل شده است؛ از جمله ماژول مکان‌یابی دیداری-اینرسی، بازسازی مش سه‌بعدی، بهینه‌سازی گراف وضعیت و بخش تشخیص معنایی اشیا. خروجی Kimera تنها یک مدل هندسی نیست، بلکه نقشه‌ای است که هر بخش آن دارای برچسب معنایی مشخصی است. به کمک این قابلیت، ربات می‌تواند میان اشیای مختلف تمایز قائل شود و تصمیم‌های هوشمندانه‌تری اتخاذ کند. یکی از مزایای Kimera آن است که بخش عمده پردازش‌های خود را تنها با استفاده از پردازنده مرکزی انجام می‌دهد و نیاز کمتری به سخت‌افزارهای گرافیکی پرقدرت دارد.

مهم‌ترین دستاورد پایان‌نامه معرفی گراف‌های پویای صحنه سه‌بعدی (3D Dynamic Scene Graphs) است. این ساختار اطلاعات محیط را در چندین سطح سازمان‌دهی می‌کند. پایین‌ترین سطح شامل مش سه‌بعدی محیط است. در سطح بعدی اشیا و انسان‌ها قرار می‌گیرند. سپس مکان‌ها، ساختارها، اتاق‌ها و در نهایت کل ساختمان به‌صورت سلسله‌مراتبی مدل می‌شوند. این ساختار باعث می‌شود ربات تنها یک نقشه هندسی در اختیار نداشته باشد، بلکه بتواند روابط میان بخش‌های مختلف محیط را نیز درک کند. چنین قابلیتی امکان برنامه‌ریزی مسیر معنایی، پاسخ به فرمان‌های زبان طبیعی، تحلیل محیط و انجام وظایف پیچیده‌تر را فراهم می‌کند.

در ادامه، نویسنده موتور ادراک فضایی Kimera-SPE را معرفی می‌کند که تمامی اجزای توسعه‌یافته در پژوهش را در قالب یک سامانه واحد ترکیب می‌کند. این موتور از داده‌های دوربین و حسگرهای اینرسی استفاده کرده، موقعیت ربات را تخمین می‌زند، نقشه سه‌بعدی متریک-معنایی ایجاد می‌کند، اشیا، انسان‌ها، اتاق‌ها و ساختمان را استخراج کرده و در نهایت آن‌ها را در قالب گراف‌های پویای صحنه سازمان‌دهی می‌کند. همچنین عملکرد این سامانه در محیط‌های واقعی و شبیه‌سازی‌شده ارزیابی شده و نتایج نشان داده است که می‌تواند به‌صورت بلادرنگ در کاربردهای عملی مورد استفاده قرار گیرد.

برای ارزیابی عملکرد، مجموعه‌ای از آزمایش‌های گسترده روی داده‌های استاندارد و محیط‌های واقعی انجام شده است. نتایج نشان می‌دهد که الگوریتم‌های پیشنهادی از نظر دقت مکان‌یابی، کیفیت بازسازی سه‌بعدی، صحت برچسب‌گذاری معنایی، سرعت پردازش و برنامه‌ریزی مسیر عملکرد بسیار مطلوبی دارند. همچنین نویسنده تمامی کدهای توسعه‌یافته، مجموعه‌داده‌ها و ابزارهای ارزیابی را به‌صورت متن‌باز منتشر کرده است تا سایر پژوهشگران نیز بتوانند از آن‌ها استفاده کرده و تحقیقات آینده را توسعه دهند.

در جمع‌بندی، این پایان‌نامه تلاش می‌کند شکاف میان توانایی انسان و ربات در درک محیط را کاهش دهد. مسیر پیشنهادی پژوهش از بازسازی سه‌بعدی متراکم آغاز می‌شود، سپس اطلاعات فتو‌متریک و معنایی را به نقشه اضافه می‌کند و در نهایت با استفاده از گراف‌های پویای صحنه، محیط را به شکلی سازمان‌یافته و قابل فهم برای ربات نمایش می‌دهد. نتیجه این رویکرد، ایجاد سامانه‌ای است که علاوه بر مکان‌یابی و نقشه‌سازی، توانایی درک ساختار محیط، تشخیص اشیا، برنامه‌ریزی مسیر، تعامل با انسان و اجرای وظایف پیچیده را نیز در اختیار ربات قرار می‌دهد. این پژوهش یکی از جامع‌ترین چارچوب‌های ارائه‌شده در حوزه ادراک فضایی سه‌بعدی و رباتیک خودران به شمار می‌رود و می‌تواند مبنای توسعه نسل آینده سیستم‌های هوشمند ناوبری و ربات‌های مستقل باشد.