نوقشت رسالة الماجستير للباحثة رجاء وجود علي في كلية الهندسة جامعة البصرة قسم هندسة الحاسبات بعنوان اكتشاف الأشياء ورسم خرائط للروبوت المتنقل في البيئات الداخلية وتتضمن
في ظل تزايد الطلب على الأنظمة الذاتية الفعّالة والموثوقة، أصبحت مسألة تطوير تقنيات الملاحة الذاتية للروبوتات المتنقلة في البيئات الداخلية محوراً حيوياً للبحث العلمي. ومع الاستخدام المتنامي للروبوتات المتنقلة في مجالات مثل التخزين والرعاية الصحية والتصنيع، تتزايد الحاجة إلى أنظمة ملاحة دقيقة وقابلة للتكيّف مع البيئات المعقدة والديناميكية. ويُعدّ التكامل بين تقنيات الكشف عن الأجسام وتقنيات التمثيل الخرائطي (المعروفة باسم "التصوير الخرائطي") مكوناً أساسياً في هذه الأنظمة، إذ يُمكن الروبوتات من إدراك بيئتها المحيطة والتنقل بكفاءة مع تقليل الحاجة إلى التدخل البشري.
تُعد تقنية التوطين ورسم الخرائط المتزامن (SLAM) حجر الأساس في هذا المجال، حيث تتيح للروبوتات المتنقلة بناء خرائط لبيئات مجهولة أثناء تتبع موقعها اللحظي في الوقت الحقيقي. وتتناول هذه الرسالة البحثية الأساليب المعتمدة على الرؤية الحاسوبية في تقنية SLAM، والتي تُعرف اختصاراً بـ V-SLAM، وذلك من خلال دراسة مكونات البنية المعمارية لكل طريقة، وخطوات التشغيل، والقيود الشائعة التي تواجهها عند تطبيقها في البيئات الداخلية.
ويُقدَّم في هذه الدراسة تحليل مقارن لأربعة من الخوارزميات الشائعة في مجال V-SLAM، وهي: ORB-SLAM2، ORB-SLAM3، RTAB-Map، وDyna-SLAM، مع التركيز على مدى فعاليتها في التعامل مع العناصر الديناميكية ضمن البيئات الداخلية. وقد تم إجراء تقييمات منهجية لهذه الأنظمة باستخدام مجموعات بيانات معيارية مثل: KITTI، وTUM-RGBD، وBONN-RGBD Dynamic، حيث تم قياس دقة الأداء بالاعتماد على مؤشري الخطأ المطلق في المسار (Absolute Trajectory Error) والخطأ النسبي في الوضعية (Relative Pose Error).
وقد أتاحت نتائج هذه الدراسة فهماً شاملاً لنقاط القوة والضعف والجوانب العملية التي ينبغي مراعاتها عند تطبيق أنظمة V-SLAM في سياق تنقل الروبوتات المتنقلة داخل الأبنية. كما تقترح هذه الدراسة نهجاً معدّلاً على إطار ORB-SLAM3، من خلال دمجه مع آلية كشف الأجسام في الزمن الحقيقي، بهدف تحسين الأداء ضمن البيئات الديناميكية. يُذكر أن الإطار الأصلي لخوارزمية ORB-SLAM3 يعتمد على ميزات ORB لاستخلاص النقاط المميزة، ومطابقتها باستخدام واصفات معينة، ومن ثم تقدير حركة الكاميرا. وعلى الرغم من فاعلية هذه المنهجية في المشاهد الثابتة، إلا أن دقتها تتراجع بشكل ملحوظ في وجود أجسام متحركة، نظراً لما قد تسببه من تطابقات مضللة في السمات.
ولمعالجة هذه المشكلة، تم تطوير النظام من خلال دمج نموذج لكشف الأجسام في الزمن الحقيقي، وهو YOLOv5، والذي يتمتع بالقدرة على تحديد المناطق المحتمل أن تكون ديناميكية داخل مشاهد الفيديو. وتُستبعد هذه المناطق المكتشفة من عملية مطابقة السمات، مما يحدّ من تأثيرها السلبي على عملية حساب الوضعية. وقد تم التحقق منخ فاعلية هذا النهج باستخدام مجموعات بيانات ديناميكية معروفة مثل BONN وTUM-RGBD، حيث أظهرت النتائج تحسناً ملحوظاً في دقة تقدير الوضعية مقارنة بالإصدار القياسي من ORB-SLAM3. كما شمل التقييم تطبيقات في بيئات حقيقية باستخدام كاميرا Intel RealSense D435i، حيث تم مقارنة أداء كل من RTAB-Map والنظام المحسّن من ORB-SLAM3 المعتمد على YOLOv5.