دهست طائرة أرضية ذاتية القيادة للتوصيل أحد المشاة على معبر المشاة. تشير التحقيقات الأولية إلى وجود خلل في التقسيم ثلاثي الأبعاد في نظام الإدراك. لتوضيح الحادث، تم استخراج سحابة نقاط ليدار الأصلية التي تم التقاطها قبل أجزاء من الثانية من الاصطدام، وتم إعادة إنشاء المشهد في محرك Unreal Engine 5. الهدف هو تحديد ما إذا كانت الملابس العاكسة للضحية قد تسببت في تصنيف الخوارزمية للمشاة بشكل خاطئ كجسم ثابت في البيئة، مثل إشارة مرور أو عمود.
سير العمل التقني: Open3D وFoxglove Studio وUnreal Engine 5 🛠️
تبدأ العملية الجنائية باستخراج سحابة النقاط الخام باستخدام Python وOpen3D، وتصفية الضوضاء البيئية وعزل الإطار الحرج الذي يسبق الاصطدام. يتم تصدير هذه السحابة بتنسيق PLY لتحليلها. باستخدام Foxglove Studio، يتم عرض بيانات مستشعر ليدار المتزامنة مع قياسات المركبة، مما يسمح بتحديد مسار المشاة واستجابة نظام التخطيط. بعد ذلك، يتم استيراد المشهد إلى Unreal Engine 5، حيث يتم إعادة إنشاء الهندسة الحضرية ووضع سحابة النقاط. ثم يتم تطبيق مرشح انعكاسية على النقاط، لمحاكاة سلوك المادة النسيجية للمشاة. تظهر النتائج أن النقاط المقابلة للسترة العاكسة تظهر شدة غير طبيعية، مماثلة لشدة الإشارات المرورية، مما دفع نموذج التقسيم ثلاثي الأبعاد إلى تجميعها ضمن فئة الأجسام الثابتة، متجاهلاً حركتها.
دروس لسلامة الإدراك الذاتي ⚠️
تثبت هذه الحالة أن انعكاسية المادة لا تؤثر فقط على مدى المستشعر، بل يمكن أن تؤدي إلى أخطاء قاتلة في التصنيف الدلالي. يسمح إعادة البناء في Unreal Engine 5 بتصور النقطة العمياء الخوارزمية التي كانت لدى المركبة. بالنسبة للأنظمة المستقبلية، يُوصى بتنفيذ تحقق متبادل بين سحابة النقاط وبيانات الكاميرا الحرارية أو أحداثها، بالإضافة إلى تدريب النماذج على مجموعات بيانات تتضمن مشاة يرتدون ملابس عالية الوضوح. يعزز الجمع بين Open3D للتحليل الجنائي وFoxglove Studio لتصحيح الأخطاء في الوقت الفعلي كمعيار للتحقيق في حوادث الروبوتات المتنقلة.
هل يمكن تحديد من خلال المحاكاة الجنائية ثلاثية الأبعاد ما إذا كانت إعادة بناء خلل ليدار تتطابق مع المسار الفعلي للمشاة على معبر المشاة، أم أن هناك حاجة لتحليل إضافي لسحابة النقاط السابقة للاصطدام؟
(ملاحظة: في تحليل المشاهد، كل شاهد مقياس هو بطل صغير مجهول.)