تصور کنید یک ماهواره میلیارد دلاری تنها به دلیل یک خطای هندسی ساده در محاسبات، در تاریکی مطلق فضا گم شود. اگر هنوز فکر می‌کنید رگرسیون بهترین راه برای تخمین موقعیت است، باید بدانید که در محیط‌های غیر اقلیدسی، این روش یک تله است.
طبق اعلام پژوهشگران در ۳۰ آوریل ۲۰۲۶، مدل Star-Fusion با تغییر بنیادین در منطق ریاضی، مسئله «گم‌شدن در فضا» (Lost-in-Space) را حل کرده است. به نقل از مقاله منتشر شده در arxiv.org، مدل‌های رگرسیونی سنتی در مواجهه با شرایط مرزی دوره‌ای در مختصات آسمانی دچار سردرگمی می‌شوند؛ اما Star-Fusion به جای تخمین عددی، جهت//یابی را به عنوان یک مسئله طبقه‌بندی (Classification) گسسته می‌بیند.
این مدل از یک استراتژی ادغام سه‌گانه برای رسیدن به دقت حداکثری استفاده می‌کند:
- یک ستون فقرات ترنسفورمر SwinV2-Tiny برای استخراج ویژگی‌های فوتومتریک.
- یک شاخه نقشه حرارتی کانولوشنال برای مبنی‌سازی (Grounding) مکانی.
- یک شبکه MLP مبتنی بر مختصات برای لنگراندازی هندسی.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های پردازش داده‌های غیر اقلیدسی اشاره کردیم، عبور از مدل‌های خطی به ساختارهای توپولوژیک، کلید دستیابی به پایداری در محیط‌های پیچیده است. Star-Fusion با استفاده از خوشه‌بندی K-Means کروی، آسمان را به مناطق سازگار تقسیم می‌کند تا از خطاهای ناشی از چرخش مختصات جلوگیری کند.
نتایج آزمایش‌ها روی مجموعه‌داده‌های Hipparcos خیره‌کننده است: دقت Top-1 این مدل ۹۳.۴ درصد و دقت Top-3 آن ۹۷.۸ درصد ثبت شده است. از نظر عملیاتی، این مدل برای سخت‌افزارهای تجاری (COTS) بهینه شده و تأخیر استنتاج (Inference) آن تنها ۱۸.۴ میلی‌ثانیه است.
این تحول، ناوبری فضایی را از یک جست‌وجوی سنگین محاسباتی به یک عملیات طبقه‌بندی سریع تبدیل می‌کند که برای منظومه‌های ماهواره‌ای نسل جدید حیاتی است.
اما این تحول در ناوبری تنها بخشی از یک تصویر بزرگتر است؛ اثر این رویکرد بر رباتیک خودمختار را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- بررسی مقاله Star-Fusion در arxiv برای درک نحوه پیاده‌سازی خوشه‌بندی کروی.
- مطالعه معماری SwinV2 برای بهینه‌سازی استخراج ویژگی در مدل‌های بینایی.
- ارزیابی جایگزینی رگرسیون با طبقه‌بندی در پروژه‌هایی که با داده‌های دوره‌ای (Periodic) سروکار دارند.
گفتگو