Sarlavha

Turkcha nashr sarlavhasi: Qurilish va Buzish Chiqindilarini Kam Namunali Nuqta Buluti Segmentatsiyasi uchun Annotatsiya-Samarador Kantcha Neyro-Simvolik Sun’iy Intellekt Doirasi

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

Mualliflar: Yuklangan preprint PDF faylida mualliflarning ismlari keltirilmagan. Ishonchli rasmiy bibliografik yozuv orqali tasdiqlanmagani sababli mualliflar ismlari taxmin qilinmadi.

Qisqa Xulosa

Kantian Neuro-Symbolic Perception System (KNS-PS), qurilish va buzish chiqindilari (Construction and Demolition Waste, CDW) nuqta bulutlarini kam sonli inson yorliqlari bilan semantik segmentatsiya qilish uchun grafik neyron tarmoq, fizik/geometrik priorlar va Human-in-the-Loop tekshiruvini birlashtiruvchi gibrid neyro-simvolik sun’iy intellekt doirasidir. Tadqiqot Kantning “sezgirlik, tushunish va apperception” qatlamlarini faqat falsafiy o‘xshatish sifatida qoldirmasdan; ularni nuqta buluti xususiyatlari, self-loop-free k-nearest-neighbor grafigi, dual-head EdgeConv tarmog‘i, differensiallanuvchi color-reality va structural-relation yo‘qotishlari, ishonchga asoslangan curriculum self-training, inson anchor freezing va mode-collapse brake kabi aniq hisoblash komponentlariga aylantirganini ilgari suradi.

Tadqiqotning asosiy muammosi murakkab buzish chiqindisi sahnalarida har bir nuqtani qo‘lda yorliqlash qimmatligi va faqat ma’lumotga tayangan 3B tarmoqlar quvur, armatura, g‘isht va beton kabi bir-biriga aralashgan yoki qisman to‘silgan materiallarda fizik jihatdan nomuvofiq segmentatsiyalar hosil qilishi mumkinligidir. Manba bunday xatolar uchun “geometric and semantic hallucinations” iborasini ishlatadi. Bu yerdagi “hallucination” generativ til modelining uydirma matn yaratishi emas; nuqta bulutida fizik jihatdan nomuvofiq sinf tayinlanishi, masalan singan quvurning beton ichida yo‘qolib ketishi yoki to‘silgan obyekt yaxlitligining saqlanmasligi ma’nosida qo‘llanadi.

Tadqiqotning eng muhim metodologik natijalaridan biri baholash protokoli bilan bog‘liq. Tasodifiy nuqta ajratish va joylashuv kanallari birgalikda ishlatilganda tarmoq haqiqiy materialni tanimasdan qo‘shni nuqtalardan fazoviy yorliq interpolatsiyasini amalga oshirishi mumkin. Rang ma’lumotining %90 qismi buzilgan DGCNN bazaviy modeli ushbu protokolda baribir 0,839 mean Intersection over Union (mIoU) qiymatiga erishgan. Shu sababli tadqiqotchilar asosiy baholashni 4 × 4 spatial block-holdout tuzilmasiga o‘tkazgan, test bloklarini fazoviy jihatdan ajratgan va xyz/normalizatsiyalangan balandlik kabi joylashuv kirish kanallarini olib tashlagan.

Oltita juftlangan takrorda eng yaxshi umumiy konfiguratsiyalardan core+community uchun o‘rtacha mIoU 0,550 ± 0,038, qoidasiz bazaviy model uchun 0,499 ± 0,088 topilgan. +5,1 ballik o‘rtacha farq besh takrorning beshtasida ijobiy bo‘lsa ham paired \(t=1,37\) bilan statistik ahamiyatga yetmagan. Buning o‘rniga tadqiqot yugurishdan-yugurishga dispersiya 5,2 marta siqilganini va eng yomon yugurish 0,333 dan 0,495 gacha ko‘tarilganini bildiradi. Shu sababli manba doiraning asosiy miqdoriy hissasini “o‘rtacha aniqlikni isbotlangan tarzda oshirish” emas, balki katastrofik past-samaradorlik yugurishlarini bostirish va worst-case xulqini cheklash sifatida ta’riflaydi.

Human-in-the-Loop annotatsiya taqqoslashida 237.560 nuqtali sahnani zich qo‘lda yorliqlash 266 daqiqa ekspert vaqtini talab qilgan, KNS-PS ish oqimi esa 37 daqiqa ekspert o‘zaro ta’sirini talab qilgan; manba buni %86,1 kamayish sifatida hisoblaydi. Biroq uchta curriculum self-training turining taxminan 9 daqiqalik nazoratsiz mashina vaqti ekspert vaqti hisobiga kiritilmagan. Demak, %86,1 qiymati “umumiy hisoblash vaqtining %86,1 kamayishi” emas.

Tadqiqotning yakuniy bosqichidagi reverse schematism moduli inson tomonidan tasdiqlangan semantik nuqta yorliqlarini parametrik va watertight geometrik qattiq jismlarga aylantiradi. Quvur va armatura elementlari silindr sifatida, g‘ishtlar standart modul va bond-pattern shablonlari bilan, beton klasterlari esa adaptive alpha-shape yordamida qayta quriladi. Haqiqiy 195.569 nuqtali sahnada adaptive alpha-shape backend yetti komponentning yettitasini ham watertight yaratgan, Poisson reconstruction esa faqat to‘rtta komponentni watertight yopgan.

Bu natijalarning doirasi cheklangan. Tadqiqotning miqdoriy segmentatsiya da’volari bitta sahnaga asoslangan; pipe sinfi block-holdout miqdoriy natijasiga kiritilmagan; qoida konfiguratsiyalari ayni sahnada tanlangan va baholangan; ayrim meta-parametrlar qo‘lda sozlangan va color-reality prior kuchli chang/rang yo‘qotilishida buziladi. Robotik buzish, ROS 2/MoveIt 2 fizik bajarish va XR asosidagi real maydon apperception sikli tadqiqotning ko‘rsatilgan segmentatsiya natijasi emas; bular kelajakdagi integratsiya yo‘nalishlaridir.

Batafsil Tushuntirish

Qurilish va buzish chiqindilarida nuqta buluti segmentatsiyasi nega kerak?

Qurilish va buzish chiqindisi sahnasi tartibli ajratilgan obyektlardan iborat emas. Beton bo‘laklari, g‘ishtlar, metall armaturalar, quvurlar va boshqa qurilish elementlari ustma-ust uyulgan, singan, qisman ko‘milgan va bir-birini to‘sib turgan bo‘lishi mumkin. Shu sababli fotogrammetrik yoki boshqa 3B skanerlashda olingan millionlab nuqtalarning faqat koordinata sifatida mavjudligi materiallarni qayta tiklash nuqtai nazaridan yetarli emas. Har bir nuqta qaysi material yoki komponentga tegishli ekanini aniqlash kerak.

Tadqiqot buni aylanma qurilish va Digital Material Passport (DMP) kontekstiga joylashtiradi. Qayta tiklangan qurilish komponentining raqamli material pasporti ishonchli bo‘lishi uchun material turi, geometriyasi va holati haqida fazoviy tasdiqlangan ma’lumot kerak. Bu yerda segmentatsiya shunchaki kompyuter ko‘rishi metrikasi emas, balki keyingi geometriya rekonstruksiyasi va ehtimoliy robotik ajratish jarayonlarining idrok asosidir.

Few-shot nimani anglatadi?

Few-shot — model zich yorliqlangan katta o‘quv ma’lumotlar to‘plamiga emas, juda cheklangan miqdordagi ishonchli inson yorliqlari yoki “seed anchor” orqali o‘rganishga urinadigan kam-nazoratli rejimdir. Ushbu tadqiqotning maqsadi turli qurilish maydonlaridan oldindan yorliqlangan ulkan tashqi corpus ishlatish emas, bitta murakkab sahnada cheklangan inson annotatsiyasidan foydalanib qolgan yorliq maydonini xavfsiz kengaytirishdir.

Bu holat modelni baholashni ham qiyinlashtiradi. Yorliq budjeti juda kichik bo‘lganda alohida katta validation set ajratish amaliy bo‘lmasligi mumkin. Shu sababli mualliflar faqat eng yaxshi yugurishni tanlashga asoslangan yondashuv o‘rniga worst-case xulqini cheklashni muhim deb hisoblaydi.

Kantcha Tushunchalar Ushbu Tadqiqotda Faqat Falsafiy Metaformi?

Manbaning metodologik da’vosiga ko‘ra yo‘q: “sezgirlik, tushunish, munosabat, sifat, modallik va apperception” kabi Kantcha tushunchalarning har biri muayyan hisoblash obyektiga, yo‘qotish hadiga, grafik qoidasiga, ishonch chegarasiga yoki inson-tasdiqlash mexanizmiga moslangan; biroq bu muhandislik mosligi Kant falsafasi eksperimental tasdiqlanganini anglatmaydi.

Aesthetic Layer: xom nuqtadan geometrik intuitsiyalarga

Xom nuqtalar to‘plami \(P=\{p_i=(x_i,y_i,z_i)\in\mathbb{R}^3\}_{i=1}^{N}\) avval global centroid atrofida markazlashtiriladi va maksimal Yevklid yoyilishiga ko‘ra masshtablanadi:

Bu normalizatsiya mutlaq joylashuv va masshtabning sonli ta’sirini kamaytiradi. Maqsad obyektning fizik ma’nosini yo‘qotish emas, tarmoqni koordinata kattaliklari o‘zgarishidan kelib chiqadigan sonli beqarorlikka ortiqcha sezgir bo‘lishidan saqlashdir.

Har bir nuqtaning kNN qo‘shnichiligida lokal kovariatsiya matritsasi hisoblanadi:

\(\Sigma_i\) ning tartiblangan xos qiymatlari \(\lambda_{1,i}\geq\lambda_{2,i}\geq\lambda_{3,i}\geq0\) lokal geometriyaning qanchalik chiziqli, tekisliksimon yoki uch o‘lchamga tarqalganini umumlashtirish uchun ishlatiladi:

\(L_i\) linearlikni, \(P_i\) planarlikni, \(S_i\) scattering ni ifodalaydi. Masalan, uzun va ingichka quvurda bitta asosiy yo‘nalish ustun bo‘lgani uchun yuqori \(L_i\) kutiladi; tekis yuzada \(P_i\) ustunroq bo‘lishi mumkin; tartibsiz chiqindi geometriyasi esa yuqoriroq scattering ko‘rsatishi mumkin.

Har bir nuqtaning 12 o‘lchovli xususiyat vektori normalizatsiyalangan koordinata, RGB rang, sirt normali va uchta strukturaviy tenzorni birlashtiradi:

Bu yerdagi \(\parallel\) xususiyatlarni birlashtirish amalini bildiradi.

Nega self-loop-free kNN grafigi ishlatiladi?

k-d tree so‘rovida \(k+1\) eng yaqin nomzod olinadi va nuqtaning o‘zi qo‘shnichilik ro‘yxatidan chiqariladi. Tadqiqot asosiga ko‘ra self-loop saqlansa markaziy nuqtaning o‘z xususiyati ko‘p qatlamli tarqalishda haddan tashqari ustun bo‘lishi va materiallar orasidagi qirra uzilishlari yumshashi mumkin.

EdgeConv munosabat xususiyatini qanday hisoblaydi?

Bu tenglama markaziy nuqta xususiyati bilan qo‘shnisi o‘rtasidagi farqni birgalikda qayta ishlaydi. Umumiy ko‘p qatlamli perseptron \(h_\Theta\) har bir qirra uchun xususiyat yaratadi; so‘ng qo‘shnichilik bo‘yicha max-pooling qo‘llanadi. Ketma-ket ikkita EdgeConv qatlami receptive field ni kengaytiradi.

Qatlam xususiyatlari global kontekst bilan birlashtiriladi:

Shundan so‘ng tarmoq ikki boshga ajraladi. Semantic head nuqtaning qaysi material sinfiga tegishli ekani bo‘yicha ehtimollik taqsimotini ishlab chiqaradi, boundary head esa nuqta fizik komponent chegarasida joylashgan yoki yo‘qligini bashorat qiladi. Shu tariqa “qaysi sinf?” va “sinf qayerda tugaydi?” savollari bir xil tasvir orqali, ammo turli chiqishlar bilan ko‘rib chiqiladi.

Sinf nomutanosibligi qanday boshqariladi?

CDW sahnasida beton juda ko‘p nuqta bilan ifodalanishi mumkin, quvur kabi ingichka elementlar esa ancha kam nuqta tutishi mumkin. Manba dinamik teskari-chastota sinf vaznini quyidagicha belgilaydi:

\(N_{\mathrm{valid}}\) yaroqli nazoratli nuqtalar sonini, \(C\) sinflar sonini, \(N_c\) esa \(c\) sinfidagi nuqtalar sonini bildiradi. Kichik sinflar shu tariqa kattaroq vazn oladi.

Bu vaznlar \(\gamma=2,0\) focusing exponent bilan focal loss ichiga joylashtiriladi:

Focal loss allaqachon oson va to‘g‘ri tasniflangan namunalarning ta’sirini kamaytirib, qiyin yoki noto‘g‘ri tasniflangan namunalarga ko‘proq gradient vazni beradi. \(M_{\mathrm{sup}}\) va \(W_{\mathrm{smpl}}\) keyinchalik Apperceptive Layer tomonidan dinamik o‘zgartirilishi mumkin.

Entropy focus weight nega ishlatiladi?

Bashorat taqsimotining entropiyasi yuqori bo‘lsa, model qaysi sinf to‘g‘riligiga ishonmaydi. Bunda \(\omega_i\) ortadi va fizik/kategorik prior jazolari kattaroq vazn oladi. Model allaqachon juda ishonchli bo‘lsa prior ta’siri nisbatan kamayadi.

Color-reality prior

Manba fired-clay brick va cementitious matrix o‘rtasidagi rang farqini soft prior sifatida ishlatadi. Redness xususiyati:

ko‘rinishidadir. Manba \(\theta_b=0,05\) va \(\theta_c=0,02\) chegaralarini ishlatadi:

Bu hard veto emas. Kulrang ko‘ringan nuqta geometrik va boshqa tarmoq dalillari juda kuchli bo‘lsa, baribir brick sifatida tasniflanishi mumkin. Prior faqat fizik jihatdan noodatiy rang-sinf mosligiga bosqichli qarshilik qo‘llaydi.

Relation prior: linearlik va balandlik tayanchi

Birinchi had past-linearity geometriyasini yuqori ishonch bilan pipe deb belgilagan bashoratlarni jazolaydi. Ikkinchi had pipe sinfini dinamik zamin chegarasidan pastga joylashtirgan bashoratlarga qarshilik ko‘rsatadi. Biroq tadqiqotning o‘z ablation tahlili “support ordering” kabi fizik taxminlar qulagan buzish uyumida har doim amal qilmasligini ko‘rsatadi.

Umumiy o‘rganish maqsadi

\(L_{\mathrm{Bound}}\) boundary head ning binary cross-entropy yo‘qotishidir. \(\alpha\) va \(\beta\) ma’lumot dalili bilan kategorik priorlar orasidagi vaznni tartiblaydi. Manba bu meta-parametrlar qo‘lda sozlanganini va turli maydon/sensor sharoitlarida optimal qiymatlar o‘zgarishi mumkinligini cheklov sifatida tan oladi.

Apperceptive Layer va curriculum self-training

Self-training uchta ishonch chegarasi bilan davom etadi:

Birinchi turda faqat eng yuqori ishonchli pseudo-label lar qabul qilinadi. Keyingi turlarda chegara yumshatilib, qiyinroq hududlar tizimga kiritiladi. Inson tomonidan bo‘yalib tasdiqlangan anchor hududlari persistent \(M_{\mathrm{anchor}}\) maskasida saqlanadi va avtomatik jarayon bu yorliqlarni o‘zgartira olmaydi.

O‘qitish qadamida yangi pseudo-label bilan mavjud empirical label o‘rtasida nomuvofiqlik yuz bersa, o‘zgargan nuqtalar va ularning bir-hop qo‘shnilari aniqlanadi:

So‘ng supervision mask va namuna vaznlari o‘zgartiriladi:

Maqsad bahsli hududlarda xato pseudo-label zanjirining grafik bo‘ylab nazoratsiz tarqalishini oldini olishdir.

Mode-collapse brake

Agar biror sinf umumiy pseudo-label maydonining %85 dan ko‘prog‘ini egallasa, faol curriculum turi bekor qilinadi va nomzod pseudo-label lar rad etiladi. Bu mexanizm tarmoq butun sahnani bitta ustun sinfga aylantiradigan degenerate yechimlarning oldini olishga qaratilgan.

Inson interfeysi qanday ishlaydi?

Foydalanuvchi cho‘tka bilan nuqta hududlarini tanlab yorliqlashi mumkin. 3B koordinatalarning ekran koordinatalariga proyeksiyasi klassik view/projection matritsasi orqali bajariladi:

Brush-drag yangilanishi 50 ms bilan throttled holatda. Ko‘rsatiladigan faol nuqtalar soni 15.000 dan oshganda viewport tasodifiy downsample qilingan proxy nuqtalardan foydalanib >30 FPS ni maqsad qiladi; biroq brush tahrirlari to‘liq aniqlikdagi koordinatalarga yoziladi.

Manba bashoratlarni yana uch epistemik ishonch qatlamiga ajratadi:

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

Problematic qatlam inson tekshiruviga ustuvor tarzda yuboriladi.

Geometric fingerprint nega kerak?

Nuqta koordinatalari yaxlitlanib spatial checksum yaratiladi; u global centroid va bounding box ma’lumotlari bilan birga saqlanadi. Maqsad boshqa point cloud ga tegishli label arxivi tasodifan joriy sahnaga qo‘llanishini aniqlashdir. Manba amaliy tavsifida bu taxminan 1 mm koordinata aniqligida bajarilishi aytiladi.

Tasodifiy Nuqta Ajratish Nega Chalg‘ituvchi Muvaffaqiyat Hosil Qilishi Mumkin?

Bir xil fizik sahnadagi qo‘shni nuqtalar ham training, ham test guruhiga tasodifiy taqsimlansa, xyz kabi joylashuv kanallari materialning o‘zini tanimasdan atrofdagi yorliqlarni fazoda yoyishga imkon beradi; tadqiqotda rang ma’lumotining %90 qismi buzilgan bazaviy modelning 0,839 mIoU ga yetishi ushbu “recognition o‘rniga interpolation” xavfini ko‘rsatgan.

Shu sababli tadqiqot asosiy baholashni 4 × 4 checkerboard spatial block-holdout protokoliga o‘tkazgan. Seed annotation faqat training hujayralaridan, har bir sinf uchun %5 darajada olingan; baholash held-out hujayralarda bajarilgan va xyz hamda normalized height kirish kanallari chiqarilgan.

Bu o‘zgarish manba natijalarining talqinini tubdan o‘zgartiradi. Random split ostida raw xyz+rgb baseline 0,905–0,921 mIoU oralig‘ida ustun ko‘rinadi. Lekin mualliflar bu qiymatlarni haqiqiy material tanish samaradorligi deb qabul qilmay, faqat protokol tuzog‘ining belgisi sifatida hisobot qilgan.

Block-holdout protokolining ham o‘z cheklovi bor. Bitta uzun pipe obyekti checkerboard ajratish bilan ishonchli hold-out qilinmagan; held-out hujayralarda 1.237 pipe nuqtasi, training hujayralarida 20.004 pipe nuqtasi qolgan. Shu sababli asosiy miqdoriy stabilizatsiya natijalari concrete va brick sinflari hamda ularning class mean qiymati asosida qurilgan, pipe sinfi bu miqdoriy taqqoslashga kiritilmagan.

Tadqiqot Usuli va Natijalari

mIoU nimani o‘lchaydi?

Quyidagi ifoda tadqiqotning raqamlangan yangi tenglamasi emas, balki ishlatilgan metrikning standart tushuntiruvchi ta’rifidir:

IoU bir sinf uchun bashorat qilingan va haqiqiy hudud kesishmasini ularning birlashmasiga bo‘ladi. mIoU esa baholashga kiritilgan sinflarning IoU qiymatlari o‘rtachasidir. Ushbu tadqiqotda muhim nuqta faqat o‘rtacha mIoU kattaligi emas, ayni usul turli random seed va checkerboard phase ostida takrorlanganda natija qanchalik o‘zgarishidir.

Asosiy olti-takror natijasi

Core konfiguratsiyasi color reality, elevation support va pipe shape dan iborat uchta asosiy priorni o‘z ichiga oladi. core+brick brick planarity priorini; core+comm community smoothness priorini qo‘shadi. all7, uchta asosiy qoida va to‘rtta o‘zgaruvchi qoidaning barchasini o‘z ichiga oladi.

Manba core+comm uchun o‘rtacha +5,1 ball o‘sishni “isbotlangan accuracy gain” sifatida taqdim etmaydi. \(n=6\) darajada paired \(t=1,37\) ahamiyatli emas. Bunga qarshi, run-to-run variance nisbati \(F(5,5)=5,20\), %5 kritik \(F\) qiymati 5,05 deb berilgan va dispersiyaning siqilishi “marginally significant” deb ta’riflangan.

Eng yomon qoidasiz yugurish 0,333 mIoU bo‘lsa, core+community konfiguratsiyasining eng yomon yugurishi 0,495. Farq +0,162, ya’ni +16,2 mIoU ball. Manba “hallucination suppression” da’vosini aynan shu katastrofik yugurishlarning yo‘q qilinishi orqali miqdorlashtiradi.

To‘rtta o‘zgaruvchi prior uchun factorial ablation

Uchta core rule doimiy yoqilgan va brick planarity, base support, cement scatter hamda community qoidalari uchun \(2^4=16\) kombinatsiya baholangan.

Bu natija fizik prior faqat “fizika bilimini o‘z ichiga olgani uchun” foydali emasligini ko‘rsatadi. Priorning boshlang‘ich taxmini sahnada amal qilmasa, u chalg‘ituvchi bo‘lishi mumkin. Manbadagi base-support misoli aynan shuni ko‘rsatadi: tartibli tuzilmadagi gravitational support kutilmasi qulagan chiqindi uyumida tizimli ravishda buzilishi mumkin.

Chang va rang yo‘qolishi robustness tajribasi

Tadqiqot rang ma’lumotini bosqichma-bosqich chang rangiga tomon buzish uchun quyidagi o‘zgartirishdan foydalanadi:

\(\lambda=0\) original rangni, \(\lambda=0,9\) esa rang signali juda katta darajada buzilgan holatni anglatadi. Manba full model samaradorligi bu oralig‘da 20,1 ball kamayganini; color-free baseline esa atigi 6,9 ball yo‘qotganini bildiradi. Bu color-reality prior o‘z empirical taxmini buzilganda “anti-knowledge” ga aylanishi mumkinligini ko‘rsatadi.

Bunga qarshi, pipe sinfini himoya qiluvchi linearlik priori ko‘proq formal-geometrik qoidaga ega va manba rang buzilishi davomida pipe samaradorligi taxminan 0,83–0,85 oralig‘ida qolganini ko‘rsatadi.

Yana bir robustness natijasi joylashuv kanallarining domain shift ostidagi xavfini ko‘rsatadi. Block holdout ostida positional channels bo‘lgan full model 0,292 mean mIoU gacha qulagan bo‘lsa, shu arxitekturaning positional channels olib tashlangan versiyasi 0,608 ga erishgan.

Annotatsiya iqtisodi

Manba bu hisobni faqat expert interaction time asosida amalga oshiradi. 9 daqiqalik curriculum machine time nazoratsiz bo‘lgani uchun ikki ish oqimining ekspert vaqti yig‘indisiga kiritilmagan. Kompyuter energiyasi, uskuna vaqti yoki butun tizim wall-clock xarajati bo‘yicha %86,1 tejash da’vosi chiqarib bo‘lmaydi.

Reverse Schematism Nima va BIM-Ready Geometriyani Qanday Hosil Qiladi?

Reverse schematism inson tasdiqlagan semantik nuqta yorliqlaridan material oilasiga xos geometrik qoidalardan foydalanib parametrik yoki watertight qattiq jismlar hosil qiluvchi yakuniy ishlov bosqichidir; quvur/armatura uchun silindr, g‘isht uchun standart modul va bond pattern, beton uchun adaptive alpha-shape ishlatiladi.

Masshtab kalibrovkasi

Fotogrammetrik nuqta bulutining metrik masshtabi bevosita ishonchli bo‘lmagani uchun manba ochiq brick band ning standart stretcher face o‘lchamidan foydalanib masshtab koeffitsiyentini belgilaydi:

Baholash standart birlikka ±%20 ichida yaqinlashsa unit lock qo‘llanadi va keyingi geometriya hisobi millimetr fazosida bajariladi.

Quvur va armatura

DBSCAN fizik jihatdan alohida elementlarni klasterlaydi. Har bir klasterning asosiy o‘qi PCA bilan, radiusi esa o‘qqa radial masofalarning mediani bilan aniqlanadi. Manba talqiniga ko‘ra geometrik “silindr” shakli a priori qabul qilinadi; haqiqiy uzunlik, joylashuv, o‘q va radius kabi kattaliklar ma’lumotdan o‘lchanadi. Har bir element yettita parametr bilan ifodalanadi.

G‘isht shabloni

Manba brick uchun standart modulni:

deb, mortar gap ni \(g=10\) mm deb belgilaydi. Mortar pitch:

munosabati bilan quriladi. Bond-pattern ma’lumotlar bazasida running bond, English bond, Flemish bond, three-stretcher-one-header va header/shiner variantlari mavjud.

Brick template packing to‘rtta asosiy bosqichdan iborat: PCA asosidagi frame ni small-angle sweep bilan yaxshilash, modulyar residual orqali o‘q tayinlash, mortar joint lar bo‘yicha phase alignment va yetarli nuqta tayanchi bo‘lgan lattice hujayralarida birlik brick solid larni hosil qilish. Manba dastlabki PCA frame span xatosi taxminan 27 mm dan taxminan 3 mm gacha kamaytirilganini bildiradi.

Beton geometriyasi

Beton uchun yagona parametrik shakl majburlanmaydi. Har bir DBSCAN concrete clump va uning chegaralarida joylashgan pipe/rebar nuqtalari adaptive alpha-shape bilan o‘raladi:

bu yerda \(\bar d\) o‘rtacha qo‘shni nuqta oralig‘idir. Bu yondashuv betonning tartibsiz geometriyasini imkon qadar ma’lumotga bog‘liq holda qoldiradi.

Brick template-packing sintetik tekshiruvi

Manba shuningdek full, half va obliquely clipped sintetik solid larda divergence-theorem volume integral natijalari nazariy hajmlar bilan mos kelganini; voxel aniqligi va morphological closing dan keyin clipped-solid hajmlari ground truth dan ±%6 ichida bo‘lganini; sparse-band solidification 5,76 L haqiqiy hajmga qarshi 5,3–5,5 L hosil qilganini bildiradi.

Haqiqiy baholash sahnasida geometriya benchmarki

Bu jadvalni faqat “eng kam uchburchak = eng yaxshi” deb talqin qilish kerak emas. Gaussian-splat shell eng ixcham mesh ni hosil qilgan va watertight bo‘lib qolgan; ammo manba brick course tuzilmalarini kuchli smoothing ostida cement-dominated yagona envelope ichiga singdirganini bildiradi. Poisson nozikroq class boundary ajratishlarini saqlagan, ammo uchta mesh ni ochiq qoldirgan. Adaptive alpha-shape esa tadqiqotning o‘z real sahnasida watertightness va class partition ni saqlash jihatidan afzal backend bo‘lgan.

Reverse-schematism ning ma’lum xatolari

Manba bu bosqichni nuqsonsiz deb ko‘rsatmaydi. Faqat ikki yuzi ko‘rinadigan brick larda 1–2,5 cm frame ambiguity qolishi mumkin. Gravity-fill prior osilib turgan geometriyani ortiqcha solid qilishi mumkin. Clipped yuzalar taxminan 8 mm voxel staircase izini saqlashi mumkin. Bu xatolar model muvaffaqiyatsizligini yashirish o‘rniga muayyan priorlarga bog‘lanadi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Random point split + positional channels bitta sahnali 3B segmentatsiyada haqiqiy recognition o‘rniga spatial interpolation ni o‘lchashi mumkin.
• KNS-PS kategorik priorlari oltita takrorda worst-case mIoU chegarasini ko‘targan va yugurishdan-yugurishga o‘zgaruvchanlikni kamaytirgan.
• +5,1 ballik mean mIoU o‘sishi manbada statistik isbotlangan o‘rtacha accuracy gain sifatida qabul qilinmagan.
• Brick planarity va community priorlari factorial ablation da ijobiy asosiy ta’sir ko‘rsatgan.
• Noto‘g‘ri sahna taxminiga tayangan base-support prior salbiy ta’sir ko‘rsatishi mumkin.
• Color-reality prior kuchli chromatic domain shift ostida buzilishi mumkin.
• HITL ish oqimi o‘lchangan ekspert o‘zaro ta’sir vaqtini 266 daqiqadan 37 daqiqaga kamaytirgan.
• Reverse-schematism tasdiqlangan yorliq maydonidan parametrik/watertight geometriya hosil qila olgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• KNS-PS barcha CDW sahnalarida o‘rtacha aniqlikni statistik ravishda oshirishi isbotlanmagan.
• Natijalar ko‘p-sahnali mustaqil benchmark tasdig‘i emas.
• Pipe sinfi asosiy block-holdout miqdoriy stabilizatsiya natijasiga kiritilmagan.
• %86,1 qiymati umumiy kompyuter/energiya/qayta ishlash xarajatidagi kamayish emas; ekspert o‘zaro ta’sir vaqtidir.
• Kantcha falsafaning “to‘g‘ri AI nazariyasi” ekani eksperimental isbotlanmagan; tadqiqot falsafiy kategoriyalarni muhandislik dizayn tamoyillariga aylantiradi.
• Reverse-schematism chiqishi barcha BIM dasturlarida avtomatik ravishda muammosiz ishlashi ko‘rsatilmagan.
• ROS 2/MoveIt 2 bilan avtonom fizik buzish ushbu tadqiqotda bajarilgan tajriba emas.
• XR asosidagi to‘liq maydon apperception va closed-loop KUKA bajarilishi ushbu maqolaning yakunlangan tasdig‘i emas.

Tadqiqotning asosiy cheklovlari

Bitta sahna: barcha asosiy miqdoriy segmentatsiya natijalari bitta sahnaga asoslangan. CODD, ZeroWaste va boshqa fizik xususiyatlarga ega ikkinchi sahnada tizimli benchmarking kelajakdagi ish sifatida qoldirilgan.

Pipe holdout muammosi: checkerboard block-holdout bitta uzun pipe obyektini mustaqil test qismiga aylantirishda muvaffaqiyatsiz bo‘lgani uchun asosiy stabilizatsiya da’volari concrete, brick va ularning sinf o‘rtachasi bilan cheklangan.

Statistik quvvat: eng yaxshi mean gain \(n=6\) takror ostida ahamiyatli emas. Shu sababli manbaning asosiy claim i accuracy emas, stability dir.

Rule selection leakage xavfi: rule konfiguratsiyalari ayni sahnada tanlangan va baholangan. Boshqa sahnada qoida tanlash/tekshirish qilinmasdan “umumiy optimal qoida to‘plami” deb bo‘lmaydi.

Domain shift: color-reality prior tayangan rang tuzilishi chang, yorug‘lik yoki sensor o‘zgarishi bilan buzilishi mumkin. Manba rang va joylashuv ma’lumotlari bir vaqtda jiddiy yo‘qolganda %5 seed geometrik o‘rganish ham 0,17–0,20 mIoU darajasiga tushganini capability boundary sifatida ko‘rsatadi.

Hand-tuned meta-parametrlar: \(\alpha\), \(\beta\), curriculum thresholds \(T\) va %85 mode-collapse ceiling manba tomonidan qo‘lda sozlangan parametrlardir.

195.569 / 237.560 nuqta farqi: interfeys/reconstruction baholashi bilan labor-economics baholashi turli point count lar bilan xabar qilingan. Manba bu farq preprocessing, boshqa namuna yoki boshqa ma’lumot bosqichidan kelib chiqqanmi, buni aniq tushuntirmaydi.

Robotik va XR integratsiyasining haqiqiy holati

Maqola fizik robotik buzish tajribasi o‘tkazilganini da’vo qilmaydi. Manba buni aniq ravishda kelajakdagi integratsiya yo‘li sifatida ajratadi. Biroq rcxr nomli Godot asosidagi integratsiya interfeysi ishlab chiqilayotgani ko‘rsatilgan. Ushbu arxitekturada wrist-mounted RealSense D415, olti o‘qli KUKA KR210, Raspberry Pi 5 acquisition node, ROS 2 TSDF fusion, Godot front end va USD orqali NVIDIA Omniverse/Isaac Sim mapping komponentlari ta’riflangan.

Manba Figure 16 da komponentlarni implemented, in progress va planned sifatida ajratadi. KNS-PS semantic segmentation ni ushbu acquisition pipeline ga qo‘shish, MoveIt 2 rejalashtirish va physical KR210 da closed-loop execution kelajak bosqichlaridir. Shu sababli mavjud tadqiqotning segmentatsiya natijasini “robot buzishni muvaffaqiyatli bajardi” deb kengaytirish to‘g‘ri emas.

Manba va Usul Haqida Izoh

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

Mualliflar: Yuklangan PDF ning sarlavha sahifasida mualliflar ismlari yo‘q. Ishonchli rasmiy bibliografik yozuv orqali tasdiqlanmagani sababli ism qo‘shilmagan.

Mas’ul muallif: Yuklangan PDF da ko‘rsatilmagan.

Teng hissa: Yuklangan PDF da ko‘rsatilmagan.

Muassasa / affiliatsiya: Yuklangan PDF da muallif affiliatsiyalari ko‘rsatilmagan.

Manba turi: Kam namunali 3B point-cloud semantic segmentation, Human-in-the-Loop annotatsiya, neuro-symbolic learning va geometrik reconstruction ni o‘z ichiga olgan hisoblash tadqiqoti preprinti.

Taqriz holati: PDF ning har bir sahifasida “This preprint research paper has not been peer reviewed” iborasi bor.

Platforma: SSRN.

SSRN abstract raqami: 7624637.

Rasmiy havola: https://ssrn.com/abstract=7624637

DOI: Yuklangan PDF da berilmagan va ishonchli rasmiy manbadan tasdiqlanmagani uchun taxmin qilinmagan.

Posting / nashr sanasi: Yuklangan maqola matnida bibliografik posting sanasi ko‘rsatilmagan. PDF fayl metadata sanalari ilmiy nashr sanasi sifatida qabul qilinmagan.

Jurnal / jild / son: Ko‘rib chiqilgan manba journal version of record emas; bu bibliografik maydonlar manbada yo‘q.

Litsenziya: Ochiq Creative Commons qayta foydalanish litsenziyasi tasdiqlanmagan. Shu sababli manba figuralari aynan ko‘chirilmagan.

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

Kirish xususiyatlari: Normalizatsiyalangan 3B koordinatalar, RGB, yo‘nalgan sirt normallari, covariance-derived linearity, planarity va scattering.

Graf tuzilishi: 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: Linearity threshold \(L_i=0,6\) chegarasi manba tenglamasida ishlatiladi.

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 \(c_i<0,6\).

Dasturiy ta’minot: Algorithmic pipeline Python + TensorFlow 2.x; interactive visualization Open3D.

Interfeys: 15.000 nuqtadan yuqori viewport uchun LOD/downsample; maqsad >30 FPS; brush projection yangilanishi 50 ms throttle.

Optimizer / o‘rganish tezligi / batch size / GPU uskunasi: Manbada aniq xabar qilingan ishonchli qiymat aniqlanmadi; yetishmayotgan maydonlar to‘ldirilmagan.

Asosiy baholash protokoli: 4 × 4 spatial checkerboard block-holdout; training cell lardan har bir sinf uchun %5 seed; held-out cell baholashi; positional xyz/normalized-height kanallari olib tashlangan.

Asosiy takror soni: Beshta rule configuration uchun oltita paired random-seed/checkerboard-phase takrori.

Asosiy samaradorlik talqini: Core+community mean mIoU o‘sishi +5,1 ball bo‘lsa-da \(n=6\) da ahamiyatli emas; asosiy dalil dispersiyaning 5,2 marta kamayishi va worst-case floor ning 0,333 dan 0,495 gacha ko‘tarilishidir.

Factorial ablation: Uch core rule doimiy bo‘lganda to‘rtta variable rule uchun \(2^4=16\) kombinatsiya. Main effects: brick planarity +3,3; community +1,8; cement scatter −0,3; base support −1,9 mIoU ball.

Annotatsiya iqtisodi: 237.560 nuqtali sahnada dense manual expert time 266 daq; KNS-PS expert interaction 37 daq; manbada xabar qilingan kamayish %86,1. Taxminan 9 daq unattended curriculum machine time ekspert vaqtiga kiritilmagan.

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

Haqiqiy sahna envelope benchmarki: 195.569 nuqta, yettita 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, biroq manbada ortiqcha smoothing sabab class structure yo‘qolishi xabar qilingan.

Manba ichidagi point-count farqi: Figure 5 / reverse reconstruction 195.569 nuqtali baholash sahnasini; labor-economics Table 3 esa 237.560 nuqtali evaluation scene ni ishlatadi. Munosabat manbada aniq tushuntirilmagani sababli tenglashtirilmagan.

Moliyalashtirish: Yuklangan PDF da alohida funding bayonoti aniqlanmagan.

Muallif hissalari / CRediT: Yuklangan PDF da alohida CRediT authorship contribution statement aniqlanmagan.

Generativ sun’iy intellekt bayonoti: Mualliflar Claude (Anthropic) dan foydalanganini; foydalanish paragraf tashkiloti/tartibi va inglizcha grammatika nazorati uchun bo‘lganini; asosiy tushunchalar, taklif etilgan doira va ishlanma mualliflardan kelib chiqqanini; yakuniy mazmun uchun javobgarlikni o‘z zimmalariga olishlarini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar ma’lum raqobatdosh moliyaviy manfaat yoki tadqiqotga ta’sir qilishi mumkin bo‘lgan shaxsiy munosabat yo‘qligini bildiradi.

Ma’lumotlar mavjudligi: “Data will be made available on request.” bayonoti mavjud.

Asosiy uslubiy cheklov: Bitta sahnali baholash, pipe sinfining asosiy block-holdout natijasidan chiqarilishi, qoida tanlovi ayni sahnada bajarilishi, kam takror soni va qo‘lda sozlangan prior/curriculum meta-parametrlar umumlashtiriluvchanlikni cheklaydi.

Robotik/XR holati: Fizik robotic deconstruction experiment ushbu tadqiqotda bajarilmagan. rcxr acquisition/digital-twin integratsiyasi ishlab chiqilmoqda; KNS-PS semantic insertion, MoveIt 2 va closed-loop physical execution kelajak bosqichlari sifatida taqdim etiladi.