تقسيم الأرض في سحب نقاط LiDAR في البيئات المنظمة وغير المنظمة باستخدام نهج هجين هندسي-عصبي

يعد تقسيم الأرض في سحب نقاط LiDAR قدرة أساسية للأنظمة المستقلة، مما يمكّن من التنقل الآمن في تطبيقات تتراوح من المركبات الذاتية القيادة في المدن إلى الروبوتات المستكشفة على الكواكب. لا يزال التمييز بشكل موثوق بين الأسطح القابلة للتنقل في بيئات غير منتظمة هندسياً أو ذات حساسات نادرة تحدياً حاسماً. يقدم هذا البحث إطاراً هجيناً يدمج التقطيع القطبي متعدد الدقة مع الشبكات العصبية التلافيفية النادرة (SCNNs) لمعالجة هذه التحديات. تقوم الطريقة بتقسيم سحب النقاط هرميًا إلى قطاعات قابلة للتكيف، مع الاستفادة من الميزات الهندسية المستمدة من تحليل المكونات الرئيسية (PCA) وعناصر التباين الديناميكية لنمذجة التضاريس بشكل موثوق، بينما تقوم SCNN بحل الالتباسات في المناطق ذات البيانات النادرة. تم تقييم الإطار في البيئات المنظمة (SemanticKITTI) وغير المنظمة (Rellis-3D)، حيث تم دراسة نسختين مختلفتين من الطريقة المقترحة، بما في ذلك طريقة هندسية بحتة وطريقة هجينة تستغل تقنيات التعلم العميق. تم إجراء مقارنة بين الطريقة المقترحة وإصدارها الهندسي البحت من أجل تسليط الضوء على مزايا كل نهج. تحقق الطريقة الهجينة أداءً متفوقًا، حيث حصلت على درجة F1 بلغت 95.4% في البيئات الحضرية، متفوقة على الأسس الهندسية البحتة (91.4%) والأسس المعتمدة على التعلم. وعلى النقيض، في التضاريس غير المنظمة، تُظهر النسخة الهندسية توازنًا متفوقًا في المقياس (80.8% F1) مقارنة بالطريقة الهجينة (75.8% F1)، مما يسلط الضوء على المقايضات السياقية بين الدقة والاسترجاع. كما تم التحقق من تعميم الإطار بشكل إضافي على مجموعات بيانات مخصصة (UMH-Gardens، Coimbra-Liv)، مما يُظهر القوة في مواجهة تباينات الحساسات وتعقيد البيئات. الكود ومجموعات البيانات متاحة علنياً لتسهيل إعادة الإنتاج.