Чаҳорчӯбаи Кантии Нейро-Символии Зеҳни Сунъӣ бо Аннотатсияи Самаранок барои Сегментатсияи Абрҳои Нуқтаи Камнамунаи Парто...

Q: Few-shot чӣ маъно дорад?

Few-shot — режими камназоратест, ки дар он модел кӯшиш мекунад на аз маҷмӯаи бузурги омӯзишии зич тамғагузоришуда, балки аз шумораи хеле маҳдуди тамғаҳои боэътимоди инсонӣ ё “seed anchor” омӯзад. Ҳадафи ин таҳқиқот истифодаи corpus-и азими берунии қаблан тамғагузоришуда аз майдонҳои гуногуни сохтмонӣ нест, балки дар як саҳнаи мураккаб бо истифода аз аннотатсияи маҳдуди инсонӣ майдони боқимондаи тамғаро бехатар васеъ кардан аст.

Q: EdgeConv хусусияти муносибатиро чӣ гуна ҳисоб мекунад?

\[ x_i= \max_{j\in M_{\mathrm{knn}}(i)} h_{\Theta} \left( f_i\parallel(f_j-f_i) \right). \tag{6} \]

Q: Чаро Entropy focus weight истифода мешавад?

\[ \omega_i= \frac{H(p_i)}{\ln C}+0,1, \qquad H(p_i)= -\sum_c p_{i,c}\log p_{i,c}. \tag{10} \]

Q: Чаро Geometric fingerprint лозим аст?

\[ \mathrm{Checksum} = \mathrm{MD5} \left( \mathrm{ByteStream}(\mathrm{Round}(P,4)) \right). \tag{18} \]

Q: Чаро Тақсимоти Тасодуфии Нуқта Метавонад Муваффақияти Фиребанда Эҷод Кунад?

Агар нуқтаҳои ҳамсоя дар як саҳнаи физикӣ ба таври тасодуфӣ ҳам ба training ва ҳам ба test тақсим шаванд, каналҳои мавқеӣ мисли xyz метавонанд бидуни шинохти худи мавод тамғаҳои атрофро дар фазо паҳн кунанд; расидани модели пойгоҳи дорои %90 маълумоти ранги вайроншуда ба 0,839 mIoU хатари “interpolation ба ҷойи recognition”-ро нишон додааст.

Q: Усул ва Натиҷаҳои ТаҳқиқотmIoU чиро чен мекунад?

Ифодаи зерин муодилаи нави рақамгузоришудаи таҳқиқот нест, балки таърифи стандартии таълимии метрикаи истифодашуда мебошад:

Чаҳорчӯбаи Кантии Нейро-Символии Зеҳни Сунъӣ бо Аннотатсияи Самаранок барои Сегментатсияи Абрҳои Нуқтаи Камнамунаи Партовҳои Сохтмон ва Вайронкунӣ

Унвон

Унвони нашри туркӣ: Чаҳорчӯбаи Кантии Нейро-Символии Зеҳни Сунъӣ бо Аннотатсияи Самаранок барои Сегментатсияи Абрҳои Нуқтаи Камнамунаи Партовҳои Сохтмон ва Вайронкунӣ

Унвони аслӣ: An annotation-efficient Kantian neuro-symbolic AI framework for few-shot point cloud segmentation of construction and demolition waste

Муаллифон: Дар PDF-и препринти боршуда номҳои муаллифон оварда нашудаанд. Азбаски тавассути сабти боэътимоди расмии библиографӣ тасдиқ карда нашуд, номҳои муаллифон тахмин карда нашуданд.

Хулосаи Кӯтоҳ

Kantian Neuro-Symbolic Perception System (KNS-PS), як чаҳорчӯбаи гибридии нейро-символии зеҳни сунъӣ мебошад, ки барои сегментатсияи семантикии абрҳои нуқтаи партовҳои сохтмон ва вайронкунӣ (Construction and Demolition Waste, CDW) бо шумораи ками тамғаҳои инсонӣ шабакаи нейронии графӣ, prior-ҳои физикӣ/геометрӣ ва санҷиши Human-in-the-Loop-ро муттаҳид мекунад. Таҳқиқот иддао мекунад, ки қабатҳои Кантии “ҳассосият, фаҳмиш ва apperception” танҳо ҳамчун ташбеҳҳои фалсафӣ боқӣ намемонанд; онҳо ба ҷузъҳои мушаххаси ҳисоббарорӣ, аз ҷумла хусусиятҳои абри нуқта, графи self-loop-free k-nearest-neighbor, шабакаи dual-head EdgeConv, талафоти дифференсиатсияшавандаи color-reality ва structural-relation, curriculum self-training-и ба эътимод асосёфта, human anchor freezing ва mode-collapse brake табдил дода мешаванд.

Масъалаи асосии таҳқиқот он аст, ки тамғагузории дастии ҳар як нуқта дар саҳнаҳои мураккаби харобаҳои вайронкунӣ гарон аст ва шабакаҳои 3B-и танҳо ба маълумот такякунанда метавонанд барои маводҳое чун қубур, арматура, хишт ва бетон, ки ба ҳам омехта ё қисман пӯшидаанд, сегментатсияҳои аз ҷиҳати физикӣ номувофиқ тавлид кунанд. Манбаъ барои ин хатогиҳо ибораи “geometric and semantic hallucinations”-ро истифода мебарад. Дар ин ҷо “hallucination” маънои тавлиди матни сохта аз ҷониби модели тавлидкунандаи забонро надорад; он ба таъйиноти синфии аз ҷиҳати физикӣ номувофиқ дар абри нуқта, масалан гум шудани қубури шикаста дар дохили бетон ё нигоҳ дошта нашудани якпорчагии объекти пӯшида, ишора мекунад.

Яке аз муҳимтарин натиҷаҳои методологии таҳқиқот ба протоколи арзёбӣ дахл дорад. Вақте тақсимоти тасодуфии нуқтаҳо ва каналҳои ҷойгиршавӣ якҷоя истифода мешаванд, шабака метавонад бидуни шинохти воқеии мавод аз нуқтаҳои ҳамсоя интерполятсияи фазоии тамғаро анҷом диҳад. Модели пойгоҳи DGCNN, ки %90 маълумоти ранги он вайрон карда шудааст, дар ин протокол ҳам ба 0,839 mean Intersection over Union (mIoU) расидааст. Аз ин рӯ, муҳаққиқон арзёбии асосиро ба сохтори 4 × 4 spatial block-holdout гузаронида, блокҳои санҷиширо аз ҷиҳати фазоӣ ҷудо карда ва каналҳои воридии мавқеӣ, ба мисли xyz/баландии нормализатсияшуда, хориҷ кардаанд.

Дар шаш такрори ҷуфтшуда, барои яке аз беҳтарин конфигуратсияҳои умумӣ, core+community, mIoU-и миёна 0,550 ± 0,038 ва барои модели пойгоҳи беқоида 0,499 ± 0,088 буд. Гарчанде фарқи миёнаи +5,1 хол дар панҷ аз панҷ такрор мусбат буд, бо paired \(t=1,37\) ба аҳамияти оморӣ нарасид. Дар баробари ин, таҳқиқот хабар медиҳад, ки дисперсияи байни даврҳо 5,2 маротиба фишурда шуд ва бадтарин давр аз 0,333 то 0,495 боло рафт. Аз ин рӯ, манбаъ саҳми асосии миқдории чаҳорчӯбаро на ҳамчун “афзоиши исботшудаи дақиқии миёна”, балки ҳамчун фурӯ нишондани даврҳои фалокатбори пастсамар ва маҳдуд кардани рафтори worst-case таъриф мекунад.

Дар муқоисаи аннотатсияи Human-in-the-Loop, тамғагузории зичи дастии саҳнаи 237.560-нуқтаӣ 266 дақиқа вақти коршинос талаб кард, дар ҳоле ки ҷараёни кори KNS-PS 37 дақиқа ҳамкории коршиносро талаб намуд; манбаъ инро ҳамчун коҳиши %86,1 ҳисоб мекунад. Аммо тақрибан 9 дақиқа вақти мошинии беназорати се даври curriculum self-training ба ҳисоби вақти коршинос дохил нашудааст. Бинобар ин, %86,1 маънои “%86,1 кам шудани вақти умумии ҳисоббарорӣ”-ро надорад.

Дар марҳилаи охирини таҳқиқот, модули reverse schematism тамғаҳои семантикии нуқтаро, ки инсон тасдиқ кардааст, ба ҷисмҳои геометрии параметрӣ ва watertight табдил медиҳад. Унсурҳои қубур ва арматура ҳамчун силиндр, хиштҳо бо модулҳои стандартӣ ва қолабҳои bond-pattern ва гурӯҳҳои бетон бо adaptive alpha-shape аз нав сохта мешаванд. Дар саҳнаи воқеии 195.569-нуқтаӣ backend-и adaptive alpha-shape ҳамаи ҳафт аз ҳафт компонентро watertight тавлид кард, дар ҳоле ки Poisson reconstruction танҳо чор компонентро watertight баст.

Доираи ин натиҷаҳо маҳдуд аст. Иддаоҳои миқдории сегментатсияи таҳқиқот ба як саҳна такя мекунанд; синфи pipe ба натиҷаи миқдории block-holdout дохил нашудааст; конфигуратсияҳои қоида дар ҳамон саҳна интихоб ва арзёбӣ шудаанд; баъзе мета-параметрҳо дастӣ танзим шудаанд ва color-reality prior дар талафоти шадиди чанг/ранг вайрон мешавад. Вайронкунии роботӣ, иҷрои физикии ROS 2/MoveIt 2 ва даври воқеии саҳроии apperception-и XR натиҷаи нишон додашудаи сегментатсияи ин таҳқиқот нестанд; онҳо самтҳои интегратсияи оянда мебошанд.

Шарҳи Муфассал

Чаро дар партовҳои сохтмон ва вайронкунӣ сегментатсияи абри нуқта лозим аст?

Саҳнаи партовҳои сохтмон ва вайронкунӣ аз объектҳои ба таври муназзам ҷудошуда иборат нест. Пораҳои бетон, хиштҳо, арматураҳои металлӣ, қубурҳо ва дигар унсурҳои сохтмонӣ метавонанд болои ҳам ҷамъ шуда, шикаста, қисман дафн шуда ва якдигарро пӯшонида бошанд. Аз ин рӯ, танҳо ҳамчун координата мавҷуд будани миллионҳо нуқтае, ки аз фотограмметрия ё дигар сканкунии 3B ба даст омадаанд, барои барқарорсозии мавод кофӣ нест. Бояд муайян шавад, ки ҳар нуқта ба кадом мавод ё компонент тааллуқ дорад.

Таҳқиқот инро дар заминаи сохтмони даврӣ ва Digital Material Passport (DMP) ҷой медиҳад. Барои боэътимод будани шиносномаи рақамии маводи як ҷузъи барқароршудаи сохтмонӣ, маълумоти фазоии тасдиқшуда дар бораи навъи мавод, геометрия ва ҳолати он лозим аст. Сегментатсия дар ин ҷо танҳо метрикаи биниши компютерӣ нест, балки асоси идрокӣ барои бозсозии минбаъдаи геометрия ва равандҳои эҳтимолии ҷудокунии роботӣ мебошад.

Few-shot чӣ маъно дорад?

Few-shot — режими камназоратест, ки дар он модел кӯшиш мекунад на аз маҷмӯаи бузурги омӯзишии зич тамғагузоришуда, балки аз шумораи хеле маҳдуди тамғаҳои боэътимоди инсонӣ ё “seed anchor” омӯзад. Ҳадафи ин таҳқиқот истифодаи corpus-и азими берунии қаблан тамғагузоришуда аз майдонҳои гуногуни сохтмонӣ нест, балки дар як саҳнаи мураккаб бо истифода аз аннотатсияи маҳдуди инсонӣ майдони боқимондаи тамғаро бехатар васеъ кардан аст.

Ин вазъ арзёбии моделро ҳам душвор мекунад. Вақте буҷети тамға хеле хурд аст, ҷудо кардани validation set-и калони алоҳида метавонад амалӣ набошад. Аз ин рӯ, муаллифон ба ҷойи равише, ки танҳо ба интихоби беҳтарин давр асос ёфтааст, маҳдуд кардани рафтори worst-case-ро муҳим мешуморанд.

Оё Мафҳумҳои Кантӣ Дар Ин Таҳқиқот Танҳо Метафораи Фалсафӣ Ҳастанд?

Тибқи иддаои методологии манбаъ, не: ҳар яке аз мафҳумҳои Кантӣ чун “ҳассосият, фаҳмиш, муносибат, сифат, модалият ва apperception” ба объекти мушаххаси ҳисоббарорӣ, ҳади талафот, қоидаи граф, ҳадди эътимод ё механизми тасдиқи инсонӣ мувофиқ карда шудааст; аммо ин мутобиқсозии муҳандисӣ маънои онро надорад, ки фалсафаи Кант ба таври таҷрибавӣ тасдиқ шудааст.

Қабати консептуалӣ	Мутобиқати техникӣ	Вазифаи муҳандисӣ
Aesthetic Layer / Sensibility	Нормализатсияи координатаҳо, нормалҳои сатҳ, ковариатсияи маҳаллӣ, тензорҳои linearity-planarity-scattering, графи self-loop-free kNN	Маҷмӯаи номуназзами нуқтаҳои хомро ба хусусиятҳои геометрии сохторёфта табдил медиҳад.
Quantity	Агрегатсияи бисёрмиқёс ва class-balanced focal loss	Кам мекунад, ки синфҳои калон, ба мисли бетон, нуқтаҳои камшумори pipe/rebar-ро танҳо бо бартарии шумора пахш кунанд.
Quality	Color-reality soft prior ва boundary head	Пешгӯиҳои боэътимоди синфҳои хишт/сементро, ки бо воқеияти ранг комилан мухолифанд, ҷазо медиҳад; сарҳадҳои синфро дар head-и ҷудогона пешгӯӣ мекунад.
Relation	Linearity, elevation-support ва муносибатҳои ҳамсоягии EdgeConv	Махсусан синфи қубурро бо геометрияи борики хаттӣ ва муносибатҳои такягоҳ/баландӣ маҳдуд мекунад.
Modality	Confidence thresholds ва apodictic/assertoric/problematic strata	Пешгӯиҳоро ба сатҳҳои эътимод ҷудо мекунад ва авлавияти баррасии инсонро муайян мекунад.
Transcendental Apperception	Human-in-the-Loop anchor freezing + curriculum self-training	Пешгирӣ мекунад, ки тамғаҳои тасдиқкардаи инсон аз ҷониби омӯзиши автоматӣ тағйир дода шаванд.

Бар асоси муносибатҳои сеқабатаи KNS-PS дар таҳқиқоти манбаъ барои Verianla мустақилона ва бемиқёс аз нав сохта шудааст. Тарҳи визуалии шакли манбаъ нусхабардорӣ нашудааст.

Aesthetic Layer: аз нуқтаи хом то интуитсияҳои геометрӣ

Маҷмӯаи нуқтаҳои хом \(P=\{p_i=(x_i,y_i,z_i)\in\mathbb{R}^3\}_{i=1}^{N}\) аввал дар атрофи global centroid марказонида шуда, мувофиқи дарозии максималии Евклидӣ миқёсбандӣ мешавад:

\mu_P=\frac{1}{N}\sum_{i=1}^{N}p_i,\qquad p'_i=p_i-\mu_P \] \[ s=\max_i\|p'_i\|_2+\varepsilon_s,\qquad p_{\mathrm{norm},i}=\frac{p'_i}{s}, \qquad \varepsilon_s=10^{-8}. \tag{1}

Ин нормализатсия таъсири ададии ҷойгиршавии мутлақ ва миқёсро кам мекунад. Ҳадаф нест кардани маънои физикии объект нест, балки пешгирӣ аз ҳассосияти аз ҳад зиёди шабака ба ноустувории ададӣ, ки аз тағйири бузургии координатаҳо ба вуҷуд меояд.

Дар ҳамсоягии kNN-и ҳар нуқта матритсаи ковариатсияи маҳаллӣ ҳисоб карда мешавад:

\Sigma_i= \frac{1}{k} \sum_{j\in\mathcal{N}(i)} (p_j-\bar p_i)(p_j-\bar p_i)^T. \tag{2}

Қиматҳои хоси тартибдодашудаи \(\Sigma_i\), яъне \(\lambda_{1,i}\geq\lambda_{2,i}\geq\lambda_{3,i}\geq0\), барои ҷамъбасти он истифода мешаванд, ки геометрияи маҳаллӣ то чӣ андоза хаттӣ, ҳамвор ё дар се андоза пароканда аст:

L_i=\frac{\lambda_{1,i}-\lambda_{2,i}} {\lambda_{1,i}+\varepsilon_l}, \qquad P_i=\frac{\lambda_{2,i}-\lambda_{3,i}} {\lambda_{1,i}+\varepsilon_l}, \qquad S_i=\frac{\lambda_{3,i}} {\lambda_{1,i}+\varepsilon_l}, \tag{3} \] \[ \varepsilon_l=10^{-8}.

\(L_i\) linearlity, \(P_i\) planarity ва \(S_i\) scattering-ро ифода мекунад. Масалан, дар қубури дарозу борик азбаски як самти асосӣ бартарӣ дорад, \(L_i\)-и баланд интизор аст; дар сатҳи ҳамвор \(P_i\) метавонад бартар бошад; геометрияи номуназзами хароба метавонад scattering-и баландтар нишон диҳад.

Вектори 12-андозаи хусусияти ҳар нуқта координатаи нормализатсияшуда, ранги RGB, нормали сатҳ ва се тензори сохториро муттаҳид мекунад:

f_i= [p_{\mathrm{norm},i}\parallel c_i\parallel n_i\parallel L_i\parallel P_i\parallel S_i] \in\mathbb{R}^{12}. \tag{4}

Дар ин ҷо \(\parallel\) амали якҷоякунии хусусиятҳоро нишон медиҳад.

Чаро графи self-loop-free kNN истифода мешавад?

M_{\mathrm{knn}}(i) = \{j_1,j_2,\ldots,j_k\}, \qquad j_m\in\mathcal{N}(i)\setminus\{i\}. \tag{5}

Дар дархости k-d tree \(k+1\) номзади наздиктарин гирифта шуда, худи нуқта аз рӯйхати ҳамсоягӣ хориҷ мешавад. Тибқи асосноккунии таҳқиқот, агар self-loop нигоҳ дошта шавад, хусусияти худи нуқтаи марказӣ дар паҳншавии бисёрқабата метавонад аз ҳад зиёд бартар гардад ва қатъшавиҳои канорӣ байни мавод ҳамвор шаванд.

EdgeConv хусусияти муносибатиро чӣ гуна ҳисоб мекунад?

x_i= \max_{j\in M_{\mathrm{knn}}(i)} h_{\Theta} \left( f_i\parallel(f_j-f_i) \right). \tag{6}

Ин муодила хусусияти нуқтаи марказӣ ва фарқи байни он ва ҳамсояро якҷоя коркард мекунад. Персептрони бисёрқабатаи муштарак \(h_\Theta\) барои ҳар канор хусусият тавлид мекунад; сипас дар ҳамсоягӣ max-pooling татбиқ мешавад. Ду қабати пайдарпайи EdgeConv receptive field-ро васеъ мекунанд.

Хусусиятҳои қабат бо контексти глобалӣ муттаҳид мешаванд:

x_{\mathrm{fused},i} = [x_{1,i}\parallel x_{2,i}\parallel x_{\mathrm{global}}]. \tag{7}

Сипас шабака ба ду head ҷудо мешавад. Semantic head тақсимоти эҳтимолияти тааллуқ доштани нуқтаро ба синфи мавод тавлид мекунад, дар ҳоле ки boundary head пешгӯӣ мекунад, ки нуқта дар сарҳади компоненти физикӣ қарор дорад ё не. Ҳамин тавр, саволҳои “кадом синф?” ва “синф дар куҷо анҷом меёбад?” бо як намояндагӣ, вале бо баромадҳои гуногун ҳал мешаванд.

Нобаробарии синфҳо чӣ гуна идора мешавад?

Дар саҳнаи CDW бетон метавонад бо шумораи зиёди нуқтаҳо ифода шавад, дар ҳоле ки унсурҳои борик, мисли қубур, нуқтаҳои хеле камтар дошта бошанд. Манбаъ вазни динамикии баръакси басомади синфро чунин муайян мекунад:

w_c= \frac{N_{\mathrm{valid}}} {C\,(N_c+1,0)}. \tag{8}

\(N_{\mathrm{valid}}\) шумораи нуқтаҳои назоратии дуруст, \(C\) шумораи синфҳо ва \(N_c\) шумораи нуқтаҳои синфи \(c\)-ро нишон медиҳад. Ҳамин тавр синфҳои хурд вазни бештар мегиранд.

Ин вазнҳо бо focusing exponent-и \(\gamma=2,0\) ба focal loss дохил карда мешаванд:

L_{\mathrm{Focal}} = \frac{1}{\sum_i M_{\mathrm{sup}}^{(i)}} \sum_{i=1}^{N} M_{\mathrm{sup}}^{(i)} W_{\mathrm{smpl}}^{(i)} \left[ -w_{y_i} (1-p_{i,y_i})^{\gamma} \log(p_{i,y_i}+\varepsilon) \right]. \tag{9}

Focal loss таъсири мисолҳои аллакай осон ва дуруст таснифшударо кам карда, ба мисолҳои душвор ё нодуруст таснифшуда вазни градиентии бештар медиҳад. \(M_{\mathrm{sup}}\) ва \(W_{\mathrm{smpl}}\) баъдан метавонанд аз ҷониби Apperceptive Layer ба таври динамикӣ тағйир дода шаванд.

Чаро Entropy focus weight истифода мешавад?

\omega_i= \frac{H(p_i)}{\ln C}+0,1, \qquad H(p_i)= -\sum_c p_{i,c}\log p_{i,c}. \tag{10}

Агар энтропияи тақсимоти пешгӯӣ баланд бошад, модел мутмаин нест, ки кадом синф дуруст аст. Дар ин ҳолат \(\omega_i\) калон мешавад ва ҷазоҳои prior-и физикӣ/категориявӣ вазни бештар мегиранд. Агар модел аллакай хеле мутмаин бошад, таъсири prior нисбатан кам мешавад.

Color-reality prior

Манбаъ фарқи ранг байни fired-clay brick ва cementitious matrix-ро ҳамчун soft prior истифода мебарад. Хусусияти Redness:

R_{d,i}=r_i-\frac{g_i+b_i}{2}

мебошад. Манбаъ ҳадҳои \(\theta_b=0,05\) ва \(\theta_c=0,02\)-ро истифода мебарад:

L_Q= \frac{1}{N} \sum_{i=1}^{N} \omega_i \left[ p_{\mathrm{brick},i}\, \mathrm{ReLU}(\theta_b-R_{d,i}) + p_{\mathrm{cement},i}\, \mathrm{ReLU}(R_{d,i}-\theta_c) \right]. \tag{11}

Ин hard veto нест. Нуқтаи хокистарӣ, агар далелҳои геометрӣ ва дигар далелҳои шабакавӣ хеле қавӣ бошанд, метавонад ҳамоно ҳамчун brick тасниф шавад. Prior танҳо ба мувофиқати ғайриоддии физикии ранг-синф муқовимати дараҷавӣ медиҳад.

Relation prior: хаттият ва такягоҳи баландӣ

L_R=L_{R\text{-shape}}+L_{R-z}, \] \[ L_{R\text{-shape}} = \frac{1}{N} \sum_{i=1}^{N} \omega_i p_{\mathrm{pipe},i} \mathrm{ReLU}(0,6-L_i)^2, \] \[ L_{R-z} = \frac{1}{N} \sum_{i=1}^{N} \omega_i p_{\mathrm{pipe},i} \mathrm{ReLU}(Z_{\mathrm{thresh}}-z_i). \tag{12}

Ҳади аввал пешгӯиҳоеро ҷазо медиҳад, ки геометрияи паст-linearity-ро бо эътимоди баланд pipe эълон мекунанд. Ҳади дуюм ба пешгӯиҳое муқовимат мекунад, ки синфи pipe-ро поёнтар аз ҳадди динамикии замин ҷой медиҳанд. Аммо ablation-и худи таҳқиқот нишон медиҳад, ки фарзияҳои физикӣ, мисли “support ordering”, дар тӯдаи фурӯрафтаи хароба ҳамеша дуруст нестанд.

Ҳадафи умумии омӯзиш

L_{\mathrm{total}} = L_{\mathrm{Focal}} + 0,5L_{\mathrm{Bound}} + \alpha L_Q + \beta L_R. \tag{13}

\(L_{\mathrm{Bound}}\) талафоти binary cross-entropy-и boundary head мебошад. \(\alpha\) ва \(\beta\) вазни байни далели маълумот ва prior-ҳои категориявиро танзим мекунанд. Манбаъ ҳамчун маҳдудият эътироф мекунад, ки ин мета-параметрҳо дастӣ танзим шудаанд ва қиматҳои оптималӣ дар шароити гуногуни саҳро/сенсор метавонанд тағйир ёбанд.

Apperceptive Layer ва curriculum self-training

Self-training бо се ҳадди эътимод пеш меравад:

T=\{\tau_1,\tau_2,\tau_3\} = \{0,95,\ 0,90,\ 0,85\}.

Дар даври аввал танҳо pseudo-label-ҳои дорои эътимоди баландтарин қабул мешаванд. Дар даврҳои баъдӣ ҳад нарм карда шуда, минтақаҳои душвортар ба система дохил мешаванд. Минтақаҳои anchor, ки инсон ранг карда ва тасдиқ кардааст, дар маскаи persistent \(M_{\mathrm{anchor}}\) нигоҳ дошта мешаванд ва раванди автоматӣ ин тамғаҳоро тағйир дода наметавонад.

Агар дар як қадами омӯзиш байни pseudo-label-и нав ва empirical label-и мавҷуда номувофиқатӣ пайдо шавад, нуқтаҳои тағйирёфта ва ҳамсояҳои як-hop-и онҳо муайян мешаванд:

M_{\mathrm{changed}}^{(i)} = \mathbb{I} \left( \hat y_i^{(t)}\neq y_i^{\mathrm{emp}} \right), \qquad M_{\mathrm{prop}}^{(i)} = \max_{j\in M_{\mathrm{knn}}(i)} M_{\mathrm{changed}}^{(j)}. \tag{14}

Сипас supervision mask ва вазнҳои намуна тағйир дода мешаванд:

M_{\mathrm{sup}}^{(i)} \leftarrow \mathrm{clip} \left( M_{\mathrm{sup}}^{(i)} + 0,7M_{\mathrm{changed}}^{(i)} + 0,3M_{\mathrm{prop}}^{(i)}, 0,0,1,0 \right), \] \[ W_{\mathrm{smpl}}^{(i)} \leftarrow \mathrm{clip} \left( W_{\mathrm{smpl}}^{(i)} + 5,0M_{\mathrm{changed}}^{(i)} + 1,0M_{\mathrm{prop}}^{(i)}, 1,0,5,0 \right). \tag{15}

Ҳадаф пешгирӣ аз паҳншавии беназорати занҷири pseudo-label-и хато дар граф дар минтақаҳои баҳснок аст.

Mode-collapse brake

\max_{c\in\{1,\ldots,C\}} \frac{N_c}{N} > 0,85. \tag{16}

Агар ягон синф зиёда аз %85 майдони умумии pseudo-label-ро ишғол кунад, даври фаъоли curriculum бекор ва pseudo-label-ҳои номзад рад мешаванд. Ин механизм барои пешгирӣ аз ҳалҳои degenerate пешбинӣ шудааст, ки дар онҳо шабака тамоми саҳнаро ба як синфи бартар табдил медиҳад.

Интерфейси инсон чӣ гуна кор мекунад?

Корбар метавонад бо brush минтақаҳои нуқтаро интихоб ва тамғагузорӣ кунад. Проексияи координатаҳои 3B ба координатаҳои экран бо матритсаи классикии view/projection анҷом дода мешавад:

\begin{bmatrix} x_{\mathrm{clip}}\\ y_{\mathrm{clip}}\\ z_{\mathrm{clip}}\\ w_{\mathrm{clip}} \end{bmatrix} = M_{\mathrm{projection}} M_{\mathrm{view}} \begin{bmatrix} x_i\\ y_i\\ z_i\\ 1 \end{bmatrix}. \tag{17}

Навсозии Brush-drag бо 50 ms throttled аст. Вақте шумораи нуқтаҳои фаъоли намоишшаванда аз 15.000 зиёд мешавад, viewport бо истифода аз proxy нуқтаҳои тасодуфан downsampleшуда >30 FPS-ро ҳадаф мегирад; аммо таҳрирҳои brush ба координатаҳои пурраҳалнависӣ навишта мешаванд.

Манбаъ ҳамчунин пешгӯиҳоро ба се қабати эпистемикии эътимод ҷудо мекунад:

Apodictic: \(c_i\geq0,85\).
Assertoric: \(0,6\leq c_i<0,85\).
Problematic: \(c_i<0,6\).

Қабати Problematic барои баррасии инсон бо авлавият фиристода мешавад.

Чаро Geometric fingerprint лозим аст?

\mathrm{Checksum} = \mathrm{MD5} \left( \mathrm{ByteStream}(\mathrm{Round}(P,4)) \right). \tag{18}

Координатаҳои нуқтаҳо гирд карда шуда spatial checksum сохта мешавад; он бо маълумоти global centroid ва bounding box нигоҳ дошта мешавад. Ҳадаф ошкор кардани он аст, ки бойгонии label-и point cloud-и дигар иштибоҳан ба саҳнаи ҷорӣ татбиқ нашавад. Манбаъ дар шарҳи татбиқ мегӯяд, ки ин тақрибан бо дақиқии координатаи 1 mm анҷом мешавад.

Чаро Тақсимоти Тасодуфии Нуқта Метавонад Муваффақияти Фиребанда Эҷод Кунад?

Агар нуқтаҳои ҳамсоя дар як саҳнаи физикӣ ба таври тасодуфӣ ҳам ба training ва ҳам ба test тақсим шаванд, каналҳои мавқеӣ мисли xyz метавонанд бидуни шинохти худи мавод тамғаҳои атрофро дар фазо паҳн кунанд; расидани модели пойгоҳи дорои %90 маълумоти ранги вайроншуда ба 0,839 mIoU хатари “interpolation ба ҷойи recognition”-ро нишон додааст.

Аз ин рӯ, таҳқиқот арзёбии асосиро ба протоколи 4 × 4 checkerboard spatial block-holdout гузаронидааст. Seed annotation танҳо аз training cell-ҳо, ба андозаи %5 барои ҳар синф гирифта шудааст; арзёбӣ дар held-out cell-ҳо анҷом шуда ва каналҳои воридии xyz ва normalized height хориҷ шудаанд.

Ин тағйир тафсири натиҷаҳои манбаъро куллан дигар мекунад. Дар random split, raw xyz+rgb baseline дар фосилаи 0,905–0,921 mIoU бартар менамояд. Аммо муаллифон ин қиматҳоро ҳамчун самаранокии воқеии шинохти мавод қабул намекунанд ва онҳоро танҳо нишондиҳандаи доми протокол ҳисобот медиҳанд.

Протоколи block-holdout низ маҳдудияти худро дорад. Як объекти дарози pipe бо тақсимоти checkerboard боэътимод hold-out карда нашудааст; дар held-out cell-ҳо 1.237 нуқтаи pipe ва дар training cell-ҳо 20.004 нуқтаи pipe боқӣ мондааст. Аз ин рӯ, натиҷаҳои асосии миқдории устуворсозӣ бо синфҳои concrete ва brick ва class mean-и онҳо сохта шуда, синфи pipe ба ин муқоисаи миқдорӣ дохил нашудааст.

Усул ва Натиҷаҳои Таҳқиқот

mIoU чиро чен мекунад?

Ифодаи зерин муодилаи нави рақамгузоришудаи таҳқиқот нест, балки таърифи стандартии таълимии метрикаи истифодашуда мебошад:

IoU_c= \frac{TP_c} {TP_c+FP_c+FN_c}, \qquad mIoU= \frac{1}{C} \sum_{c=1}^{C}IoU_c.

IoU буриши минтақаи пешгӯишуда ва воқеиро барои як синф ба иттиҳоди онҳо тақсим мекунад. mIoU бошад, миёнаи қиматҳои IoU-и синфҳои ба арзёбӣ дохилшударо мегирад. Дар ин таҳқиқот муҳим на танҳо бузургии mIoU-и миёна, балки он аст, ки ҳангоми такрори ҳамон усул дар random seed ва checkerboard phase-ҳои гуногун натиҷа то чӣ андоза тағйир меёбад.

Натиҷаи асосии шаш-такрорӣ

Конфигуратсия	Mean mIoU ± std	Фарқи ҷуфтшуда нисбат ба сохтори беқоида	Такрори мусбат	Paired t
none	0,499 ± 0,088	—	—	—
core	0,532 ± 0,063	+3,3 ± 11,5 хол	4/6	0,70
core+brick	0,499 ± 0,086	−0,0 ± 14,0 хол	3/6	−0,01
core+comm	0,550 ± 0,038	+5,1 ± 9,1 хол	5/6	1,37
all7	0,534 ± 0,046	+3,5 ± 12,6 хол	3/6	0,68

Core конфигуратсия color reality, elevation support ва pipe shape-ро ҳамчун се prior-и асосӣ дар бар мегирад. core+brick brick planarity prior-ро; core+comm community smoothness prior-ро илова мекунад. all7, се қоидаи асосӣ ва ҳамаи чор қоидаи тағйирёбандаро дар бар мегирад.

Манбаъ афзоиши миёнаи +5,1 холро барои core+comm ҳамчун “accuracy gain-и исботшуда” пешниҳод намекунад. Дар сатҳи \(n=6\), paired \(t=1,37\) аҳамиятнок нест. Дар баробари ин, нисбати run-to-run variance \(F(5,5)=5,20\), қимати критикии %5-и \(F\) 5,05 дода шудааст ва фишурдашавии дисперсия ҳамчун “marginally significant” тавсиф шудааст.

Дар ҳоле ки бадтарин даври беқоида 0,333 mIoU буд, бадтарин даври конфигуратсияи core+community 0,495 аст. Фарқ +0,162, яъне +16,2 хол mIoU мебошад. Манбаъ иддаои “hallucination suppression”-ро махсусан тавассути аз байн бурдани чунин даврҳои фалокатбор миқдорӣ мекунад.

Бар асоси қиматҳои дақиқи миёна, инҳирофи стандартӣ ва worst-case, ки дар Table 2 ва Figure 9-и манбаъ гузориш шудаанд, барои Verianla аз нав кашида шудааст. Нуқтаҳои шаш даври инфиродӣ, ки дар манбаъ ба шакли ҷадвал мавҷуд нестанд, аз нав тавлид нашудаанд.

Factorial ablation барои чор prior-и тағйирёбанда

Се core rule доимо фаъол нигоҳ дошта шуда, барои brick planarity, base support, cement scatter ва community \(2^4=16\) комбинатсия арзёбӣ шудааст.

Қоида	Таъсири асосии Mean mIoU	Тафсир
Brick planarity	+3,3 хол	Қавитарин қоидаи тағйирёбандаи мусбат
Community	+1,8 хол	Саҳми мусбат
Cement scatter	−0,3 хол	Каме манфӣ
Base support	−1,9 хол	Манфӣ, зеро тӯдаи фурӯрафта фарзияи тартиби такягоҳи устуворро вайрон мекунад

Ин натиҷа нишон медиҳад, ки prior-и физикӣ танҳо аз он сабаб, ки “дониши физикӣ дорад”, муфид нест. Агар фарзияи prior дар саҳна дуруст набошад, он метавонад гумроҳкунанда шавад. Мисоли base-support-и манбаъ маҳз ҳамин аст: интизори gravitational support дар сохтори муназзам метавонад дар тӯдаи фурӯрафтаи хароба ба таври системавӣ вайрон шавад.

Озмоиши robustness-и чанг ва талафи ранг

Таҳқиқот барои тадриҷан вайрон кардани маълумоти ранг ба самти ранги чанг табдили зеринро истифода мебарад:

c' = (1-\lambda)c + \lambda d_{\mathrm{dust}} + \mathcal{N}(0,0,03\lambda).

\(\lambda=0\) ранги аслӣ ва \(\lambda=0,9\) ҳолатест, ки сигнали ранг ба дараҷаи хеле калон вайрон шудааст. Манбаъ хабар медиҳад, ки самаранокии full model дар ин фосила 20,1 хол коҳиш ёфтааст, дар ҳоле ки color-free baseline танҳо 6,9 хол аз даст додааст. Ин нишон медиҳад, ки color-reality prior вақте фарзияи empirical-и худ вайрон мешавад, метавонад ба “anti-knowledge” табдил ёбад.

Баръакс, prior-и хаттият, ки синфи pipe-ро ҳифз мекунад, қоидаи бештар формалӣ-геометрӣ мебошад ва манбаъ мегӯяд, ки самаранокии pipe дар тӯли вайроншавии ранг тақрибан дар фосилаи 0,83–0,85 боқӣ мондааст.

Натиҷаи дигари robustness хатари каналҳои мавқеиро дар domain shift нишон медиҳад. Дар block holdout, full model бо positional channels то 0,292 mean mIoU фурӯ рафт, дар ҳоле ки версияи ҳамон меъморӣ бе positional channels ба 0,608 расид.

Иқтисоди аннотатсия

Марҳилаи ҷараёни кор	Дастии зич	KNS-PS HITL
Seed anchor painting (%1 буҷет)	—	12 дақ
Dense point-wise brush annotation	190 дақ	—
Boundary refinement & disentanglement	62 дақ	—
Curriculum self-training — 3 давр	—	9 дақ вақти мошинии беназорат
Problematic-strata review & correction	—	16 дақ
Final verification pass	14 дақ	9 дақ
Вақти умумии коршинос	266 дақ	37 дақ
Коҳиши вақти коршинос, ки дар манбаъ гузориш шудааст	—	%86,1

\frac{266-37}{266}\times100 \approx86,1\%.

Манбаъ ин ҳисобро танҳо бар асоси expert interaction time анҷом медиҳад. Азбаски 9 дақиқа curriculum machine time беназорат аст, он ба маҷмӯи вақти коршиносии ду ҷараёни кор дохил нашудааст. Барои энергияи компютер, вақти таҷҳизот ё арзиши wall-clock-и тамоми система иддаои сарфаи %86,1 бароварда намешавад.

Reverse Schematism Чист ва Геометрияи BIM-Ready-ро Чӣ Гуна Тавлид Мекунад?

Reverse schematism марҳилаи ниҳоии коркард аст, ки аз тамғаҳои семантикии нуқтаи тасдиқкардаи инсон бо истифода аз қоидаҳои геометрии хоси оилаи мавод ҷисмҳои параметрӣ ё watertight месозад; барои қубур/арматура силиндр, барои хишт модули стандартӣ ва bond pattern ва барои бетон adaptive alpha-shape истифода мешавад.

Калибровкаи миқёс

Азбаски миқёси метрии абри нуқтаи фотограмметрӣ мустақиман боэътимод нест, манбаъ бо истифода аз андозаи стандартии stretcher face-и brick band-и ошкор омили миқёсро муайян мекунад:

k= \frac{240\ \mathrm{mm}} {\mathrm{median}(\text{brick-band major length})}.

Агар арзёбӣ дар ҳудуди ±%20 ба воҳиди стандартӣ наздик бошад, unit lock татбиқ мешавад ва ҳисоби минбаъдаи геометрия дар фазои миллиметр анҷом меёбад.

Қубур ва арматура

DBSCAN унсурҳои аз ҷиҳати физикӣ ҷудоро кластер мекунад. Меҳвари асосии ҳар кластер бо PCA ва радиус бо медианаи масофаҳои radial то меҳвар муайян мешавад. Дар тафсири манбаъ шакли геометрии “силиндр” a priori қабул мешавад; бузургиҳои воқеӣ, аз ҷумла дарозӣ, мавқеъ, меҳвар ва радиус, аз маълумот чен мешаванд. Ҳар унсур бо ҳафт параметр ифода мешавад.

Шаблони хишт

Манбаъ барои brick модули стандартиро чунин медиҳад:

T=(240,\ 120,\ 60)\ \mathrm{mm}

ва mortar gap-ро \(g=10\) mm муайян мекунад. Mortar pitch:

\[ P=T+g \]

бо ин муносибат сохта мешавад. Дар пойгоҳи додаҳои Bond-pattern вариантҳои running bond, English bond, Flemish bond, three-stretcher-one-header ва header/shiner мавҷуданд.

Brick template packing аз чор қадами асосӣ иборат аст: такмили frame-и асосёфта ба PCA бо small-angle sweep, таъйини меҳвар бо истифода аз modular residual, phase alignment нисбат ба mortar joint-ҳо ва тавлиди brick solid-ҳои воҳид дар lattice cell-ҳое, ки дастгирии кофии нуқта доранд. Манбаъ хабар медиҳад, ки хатои span-и frame-и ибтидоии PCA аз тақрибан 27 mm то тақрибан 3 mm кам шудааст.

Геометрияи бетон

Барои бетон як шакли ягонаи параметрӣ маҷбур карда намешавад. Ҳар DBSCAN concrete clump ва нуқтаҳои pipe/rebar дар ҳудуди он бо adaptive alpha-shape печонида мешаванд:

\alpha= \max(4\bar d,\ 20\ \mathrm{mm}),

дар ин ҷо \(\bar d\) фосилаи миёнаи нуқтаҳои ҳамсоя мебошад. Ин равиш геометрияи номуназзами бетонро то ҳадди имкон вобаста ба маълумот нигоҳ медорад.

Бар асоси муносибатҳои усули reverse-schematism-и таҳқиқоти манбаъ ҳамчун схемаи мустақил ва бемиқёс барои Verianla омода шудааст.

Санҷиши синтетикии Brick template-packing

Сенария	Интизоршуда	Тавлидшуда	Ёддошти манбаъ
3 × 2 brick wall, mortar joints	6	6	Хатои марказ ≤ 0,4 mm
5 × 4 brick wall	20	20	—
Як brick бо нишебии 37°	1	1	Хатои марказ 0,2 mm
Double-course stack	2	2	Бо Axis assignment ҳал шуд
2 × 2 × 2 pile	8	8	—
High-noise 3 × 2 wall	6	6	2× садо
Half-broken brick	0–1	1	Ба модули пурра такмил дода шуд
Панҷ bond-pattern wall	136	136	Ҳамаи orientation-ҳо дурустанд
Double band, %35 occlusion	12	12	Хатои миёнаи марказ 8,8 mm

Манбаъ ҳамчунин хабар медиҳад, ки дар full, half ва obliquely clipped synthetic solid-ҳо натиҷаҳои divergence-theorem volume integral бо ҳаҷмҳои назариявӣ мувофиқ буданд; пас аз voxel resolution ва morphological closing ҳаҷмҳои clipped-solid дар ҳудуди ±%6 аз ground truth қарор доштанд; sparse-band solidification нисбат ба ҳаҷми воқеии 5,76 L, 5,3–5,5 L тавлид кард.

Benchmark-и геометрия дар саҳнаи воқеии арзёбӣ

Envelope backend	Вақт (s)	Секунҷа	Watertight	Boundary edges
Adaptive alpha-shape	13,7	50.558	7/7	%0,00
Poisson reconstruction	13,9	109.528	4/7	%0,72
Gaussian-splat shell	15,3	35.172	7/7	%0,00

Ин ҷадвал набояд танҳо ҳамчун “камтарин секунҷа = беҳтарин” тафсир шавад. Gaussian-splat shell compact-тарин mesh-ро тавлид карда watertight монд; аммо манбаъ мегӯяд, ки сохторҳои brick course дар зери smoothing-и қавӣ ба як envelope-и cement-dominated фурӯ рафтанд. Poisson ҷудошавии нозуктари class boundary-ро нигоҳ дошт, вале се mesh-ро кушода гузошт. Adaptive alpha-shape бошад, дар саҳнаи воқеии худи таҳқиқот аз ҷиҳати watertightness ва нигоҳдории class partition backend-и афзал буд.

Хатоҳои маълуми Reverse-schematism

Манбаъ ин марҳиларо бенуқсон нишон намедиҳад. Дар brick-ҳое, ки танҳо ду рӯяшон намоён аст, 1–2,5 cm frame ambiguity боқӣ монда метавонад. Gravity-fill prior метавонад геометрияи овезонро аз ҳад зиёд solid кунад. Сатҳҳои clipped метавонанд тақрибан 8 mm изи voxel staircase дошта бошанд. Ин хатогиҳо ба ҷойи пинҳон кардани нокомии модел ба prior-ҳои мушаххас вобаста карда мешаванд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Random point split + positional channels дар сегментатсияи 3B-и яксаҳнаӣ метавонад ба ҷойи recognition-и воқеӣ spatial interpolation-ро чен кунад.
Prior-ҳои категориявии KNS-PS дар шаш такрор ҳадди worst-case mIoU-ро баланд ва тағйирёбии байни даврҳоро кам кардаанд.
Афзоиши +5,1 хола дар mean mIoU дар манбаъ ҳамчун accuracy gain-и миёнаи аз ҷиҳати оморӣ исботшуда қабул нашудааст.
Prior-ҳои Brick planarity ва community дар factorial ablation таъсири асосии мусбат нишон додаанд.
Base-support prior, ки ба фарзияи нодурусти саҳна такя мекунад, метавонад таъсири манфӣ дошта бошад.
Color-reality prior метавонад дар chromatic domain shift-и шадид вайрон шавад.
Ҷараёни кори HITL вақти ченшудаи ҳамкории коршиносро аз 266 дақиқа ба 37 дақиқа кам кардааст.
Reverse-schematism тавонистааст аз майдони тамғаи тасдиқшуда геометрияи параметрӣ/watertight тавлид кунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

Исбот нашудааст, ки KNS-PS дар ҳамаи саҳнаҳои CDW дақиқии миёнаро аз ҷиҳати оморӣ зиёд мекунад.
Натиҷаҳо тасдиқи мустақили benchmark-и бисёрсаҳнаӣ нестанд.
Синфи pipe ба натиҷаи асосии миқдории устуворсозии block-holdout дохил нашудааст.
Қимати %86,1 коҳиши арзиши умумии компютер/энергия/коркард нест; он вақти ҳамкории коршинос аст.
Ба таври таҷрибавӣ исбот нашудааст, ки фалсафаи Кант “назарияи дурусти AI” мебошад; таҳқиқот категорияҳои фалсафиро ба принсипҳои тарҳи муҳандисӣ табдил медиҳад.
Нишон дода нашудааст, ки баромади Reverse-schematism дар ҳамаи нармафзорҳои BIM ба таври автоматӣ ва бидуни мушкил кор мекунад.
Вайронкунии автономии физикӣ бо ROS 2/MoveIt 2 таҷрибаи анҷомдодашуда дар ин таҳқиқот нест.
Apperception-и пурраи саҳроии XR ва иҷрои closed-loop KUKA тасдиқи анҷомшудаи ин мақола нест.

Маҳдудиятҳои асосии таҳқиқот

Як саҳна: ҳамаи натиҷаҳои асосии миқдории сегментатсия ба як саҳна такя мекунанд. Benchmarking-и системавӣ дар CODD, ZeroWaste ва саҳнаи дуюм бо хусусиятҳои физикии дигар ҳамчун кори оянда гузошта шудааст.

Мушкили pipe holdout: азбаски checkerboard block-holdout натавонист як объекти дарози pipe-ро ба қисми мустақили test табдил диҳад, иддаоҳои асосии устуворсозӣ бо concrete, brick ва class mean-и онҳо маҳдуданд.

Қувваи оморӣ: беҳтарин mean gain дар \(n=6\) такрор аҳамиятнок нест. Аз ин рӯ, claim-и асосии манбаъ accuracy не, балки stability мебошад.

Хатари Rule selection leakage: конфигуратсияҳои rule дар ҳамон саҳна интихоб ва арзёбӣ шудаанд. Бе интихоб/тасдиқи қоида дар саҳнаи дигар “маҷмӯи умумии оптималии қоидаҳо” гуфтан мумкин нест.

Domain shift: сохтори ранг, ки color-reality prior ба он такя мекунад, метавонад бо чанг, рӯшноӣ ё тағйири сенсор вайрон шавад. Манбаъ инчунин мегӯяд, ки ҳангоми талафи ҷиддии ҳамзамони маълумоти ранг ва мавқеъ, омӯзиши геометрии %5 seed низ то 0,17–0,20 mIoU фурӯ рафтааст ва ин ҳамчун capability boundary нишон дода мешавад.

Мета-параметрҳои Hand-tuned: \(\alpha\), \(\beta\), curriculum thresholds \(T\) ва %85 mode-collapse ceiling параметрҳое мебошанд, ки манбаъ дастӣ танзим кардааст.

Фарқи 195.569 / 237.560 нуқта: арзёбии интерфейс/reconstruction ва арзёбии labor-economics бо point count-ҳои гуногун гузориш шудаанд. Манбаъ ба таври равшан намефаҳмонад, ки ин фарқ аз preprocessing, намунаи дигар ё марҳилаи дигари маълумот сарчашма мегирад ё не.

Вазъияти воқеии интегратсияи роботӣ ва XR

Мақола иддао намекунад, ки таҷрибаи физикии вайронкунии роботӣ анҷом дода шудааст. Манбаъ инро ҳамчун роҳи интегратсияи оянда равшан ҷудо мекунад. Ҳамзамон гуфта мешавад, ки rcxr ном интерфейси интегратсияи асосёфта ба Godot дар ҳоли таҳия аст. Дар ин меъморӣ wrist-mounted RealSense D415, KUKA KR210-и шашмеҳварӣ, Raspberry Pi 5 acquisition node, ROS 2 TSDF fusion, Godot front end ва компонентҳои mapping-и NVIDIA Omniverse/Isaac Sim тавассути USD тавсиф шудаанд.

Манбаъ дар Figure 16 компонентҳоро ба implemented, in progress ва planned ҷудо мекунад. Илова кардани KNS-PS semantic segmentation ба ин acquisition pipeline, банақшагирии MoveIt 2 ва closed-loop execution дар physical KR210 марҳилаҳои ояндаанд. Аз ин рӯ, натиҷаи сегментатсияи таҳқиқоти ҷориро ба шакли “робот вайронкуниро бомуваффақият анҷом дод” васеъ кардан дуруст нест.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ: An annotation-efficient Kantian neuro-symbolic AI framework for few-shot point cloud segmentation of construction and demolition waste.

Муаллифон: Дар саҳифаи унвони PDF-и боршуда номҳои муаллифон нестанд. Азбаски тавассути сабти боэътимоди расмии библиографӣ тасдиқ карда нашуд, ном илова нашудааст.

Муаллифи масъул: Дар PDF-и боршуда нишон дода нашудааст.

Саҳми баробар: Дар PDF-и боршуда нишон дода нашудааст.

Муассиса / аффилиатсия: Дар PDF-и боршуда аффилиатсияҳои муаллифон нишон дода нашудаанд.

Навъи манбаъ: Препринти таҳқиқоти ҳисоббарорӣ, ки few-shot 3B point-cloud semantic segmentation, аннотатсияи Human-in-the-Loop, neuro-symbolic learning ва reconstruction-и геометриро дар бар мегирад.

Вазъи peer review: Дар ҳар саҳифаи PDF ибораи “This preprint research paper has not been peer reviewed” мавҷуд аст.

Платформа: SSRN.

Рақами SSRN abstract: 7624637.

Пайванди расмӣ: https://ssrn.com/abstract=7624637

DOI: Дар PDF-и боршуда дода нашудааст ва аз манбаи боэътимоди расмӣ тасдиқ нашудааст, бинобар ин тахмин карда нашудааст.

Санаи posting / нашр: Дар матни мақолаи боршуда санаи библиографии posting нишон дода нашудааст. Санаҳои metadata-и файли PDF ҳамчун санаи нашри илмӣ қабул нашудаанд.

Маҷалла / ҷилд / шумора: Манбаи баррасишуда journal version of record нест; ин майдонҳои библиографӣ дар манбаъ вуҷуд надоранд.

Иҷозатнома: Иҷозатномаи кушодаи Creative Commons барои истифодаи дубора тасдиқ нашудааст. Аз ин рӯ, шаклҳои манбаъ айнан нусхабардорӣ нашудаанд.

Модели марказӣ: Kantian Neuro-Symbolic Perception System (KNS-PS), dual-head EdgeConv tabanlı graph neural network + diferansiyellenebilir categorical priors + Human-in-the-Loop curriculum self-training.

Хусусиятҳои воридӣ: Координатаҳои нормализатсияшудаи 3B, RGB, нормалҳои самтдори сатҳ, covariance-derived linearity, planarity ва scattering.

Сохтори граф: Self-loop-free k-nearest-neighbor topology.

Supervised loss: Dynamic balanced focal loss; \(\gamma=2,0\).

Color prior: \(R_d=r-(g+b)/2\); \(\theta_b=0,05\), \(\theta_c=0,02\).

Pipe shape prior: Ҳадди Linearity threshold \(L_i=0,6\) дар муодилаи манбаъ истифода мешавад.

Curriculum: \(T=\{0,95,0,90,0,85\}\).

Mode-collapse brake: Tek bir sınıf pseudo-label alanının %85'inden fazlasını ele geçirirse aktif tur reddedilir.

Confidence strata: apodictic \(c_i\geq0,85\); assertoric \(0,6\leq c_i<0,85\); problematic \(c_i<0,6\).

Нармафзор: Algorithmic pipeline Python + TensorFlow 2.x; interactive visualization Open3D.

Интерфейс: Барои viewport аз 15.000 нуқта зиёд LOD/downsample; ҳадаф >30 FPS; навсозии brush projection 50 ms throttle.

Optimizer / суръати омӯзиш / batch size / таҷҳизоти GPU: Дар манбаъ қимати боэътимоди равшан гузоришшуда муайян нашуд; майдонҳои нопурра пур карда нашудаанд.

Протоколи асосии арзёбӣ: 4 × 4 spatial checkerboard block-holdout; аз training cell-ҳо %5 seed барои ҳар синф; арзёбии held-out cell; каналҳои positional xyz/normalized-height хориҷ шудаанд.

Шумораи асосии такрорҳо: Барои панҷ rule configuration шаш такрори paired random-seed/checkerboard-phase.

Тафсири асосии самаранокӣ: Гарчанде афзоиши core+community mean mIoU +5,1 хол аст, дар \(n=6\) аҳамиятнок нест; далели асосӣ 5,2 маротиба кам шудани дисперсия ва аз 0,333 то 0,495 боло рафтани worst-case floor мебошад.

Factorial ablation: Бо се core rule-и доимӣ барои чор variable rule \(2^4=16\) комбинатсия. Main effects: brick planarity +3,3; community +1,8; cement scatter −0,3; base support −1,9 хол mIoU.

Иқтисоди аннотатсия: Дар саҳнаи 237.560-нуқтаӣ dense manual expert time 266 дақ; KNS-PS expert interaction 37 дақ; коҳиши гузоришшуда дар манбаъ %86,1. Тақрибан 9 дақ unattended curriculum machine time ба вақти коршинос дохил нашудааст.

Reverse-schematism: Pipe/rebar → DBSCAN + PCA + median radius + parametrik cylinder; brick → 240 × 120 × 60 mm module, 10 mm mortar gap, bond-pattern packing; concrete → adaptive alpha-shape, \(\alpha=\max(4\bar d,20\ \mathrm{mm})\).

Benchmark-и envelope дар саҳнаи воқеӣ: 195.569 нуқта, ҳафт class-level component. Adaptive alpha-shape: 13,7 s, 50.558 triangles, 7/7 watertight. Poisson: 13,9 s, 109.528 triangles, 4/7 watertight. Gaussian-splat shell: 15,3 s, 35.172 triangles, 7/7 watertight, аммо дар манбаъ талафи class structure аз smoothing-и аз ҳад зиёд гузориш шудааст.

Фарқи point-count дар дохили манбаъ: Figure 5 / reverse reconstruction саҳнаи арзёбии 195.569-нуқтаиро истифода мебарад; labor-economics Table 3 бошад evaluation scene-и 237.560-нуқтаиро. Азбаски муносибат дар манбаъ равшан шарҳ дода нашудааст, онҳо баробар карда нашудаанд.

Маблағгузорӣ: Дар PDF-и боршуда изҳороти ҷудогонаи funding муайян нашудааст.

Саҳмҳои муаллифон / CRediT: Дар PDF-и боршуда CRediT authorship contribution statement-и ҷудогона муайян нашудааст.

Изҳороти зеҳни сунъии тавлидӣ: Муаллифон изҳор мекунанд, ки Claude (Anthropic)-ро истифода кардаанд; истифода барои ташкили/тарҳбандии параграфҳо ва санҷиши грамматикаи англисӣ будааст; мафҳумҳои асосӣ, чаҳорчӯбаи пешниҳодшуда ва таҳия аз муаллифон сарчашма гирифта, онҳо масъулияти мазмуни ниҳоиро ба уҳда мегиранд.

Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки манфиати молиявии рақобатӣ ё муносибати шахсии маълум, ки метавонад ба таҳқиқот таъсир расонад, вуҷуд надорад.

Дастрасии маълумот: Изҳороти “Data will be made available on request.” мавҷуд аст.

Маҳдудияти асосии методологӣ: Арзёбии яксаҳнаӣ, хориҷ кардани синфи pipe аз натиҷаи асосии block-holdout, интихоби қоида дар ҳамон саҳна, шумораи ками такрорҳо ва мета-параметрҳои prior/curriculum-и дастӣ танзимшуда умумиятпазириро маҳдуд мекунанд.

Вазъи роботӣ/XR: Physical robotic deconstruction experiment дар ин таҳқиқот анҷом дода нашудааст. Интегратсияи rcxr acquisition/digital-twin дар ҳоли таҳия буда, KNS-PS semantic insertion, MoveIt 2 ва closed-loop physical execution ҳамчун марҳилаҳои оянда пешниҳод шудаанд.

Ёддошти иттилоотӣ ва ислоҳ

Ин муҳтаво дар асоси тадқиқоти академии дахлдор ва бо истифода аз абзорҳои ёрирасони зеҳни сунъӣ омода шудааст. Ҳадаф ба шакли фаҳмотар ва дастрас пешниҳод кардани мавзӯи асосӣ, усул ва натиҷаҳои тадқиқот мебошад.

Ҳарчанд ҳангоми омода кардани муҳтаво ба риояи манбаи аслӣ таваҷҷуҳ шудааст, дар раванди тавлиди муҳтаво бо ёрии зеҳни сунъӣ метавонад хатои маъноӣ, баёнӣ, тарҷумавӣ ё тафсирӣ рух диҳад. Агар хатои илмӣ, техникӣ ё матниро ошкор кунед, метавонед тавассути info@verianla.com.tr ба мо хабар диҳед. Мавридҳои гузоришшуда баррасӣ шуда, ислоҳҳои зарурӣ ворид карда мешаванд.

Илова бар ин, муаллиф, соҳиби ҳуқуқ ё намояндаи ваколатдори мақолае, ки тадқиқоташ дар Verianla ҷой дода шудааст, метавонад ҳазфи муҳтавои дахлдорро дархост кунад. Барои дархости ҳазф фиристодани пайванди мақола ва шарҳи кӯтоҳи дархост ба info@verianla.com.tr кофист. Пас аз баррасии дархост чораҳои зарурӣ андешида мешаванд.

Verianla ҳадафи иваз кардани тадқиқоти академиро надорад; ҳадафи он мусоидат ба фаҳмиши муҳтавои илмӣ аз ҷониби доираи васеи хонандагон аст. Барои арзёбиҳои академӣ ё касбӣ ҳамеша такя ба манбаи аслии тадқиқот тавсия дода мешавад.

Мубодила: