Markdown ایڈیشن

AI-translated from English; not yet reviewed by a fluent editor.

# بار بار دہرائے جانے والے نقش گاڑی آزمائشوں میں سٹیریو گہرائی کو بگاڑتے ہیں

> University of Florida کی قیادت میں ہونے والی تحقیق میں سٹیریو گہرائی کی غلطیوں کو کیمروں کے نمونہ لینے اور کیلیبریشن سے جوڑا گیا ہے۔ کنٹرول شدہ گاڑی آزمائشوں میں غلط رکاوٹیں محسوس کی گئیں؛ مجوزہ دفاع نے محدود تصویری مجموعوں میں غلطیاں کم کیں۔

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

University of Florida کی قیادت میں کام کرنے والی ٹیم کے مطابق، بار بار دہرائے جانے والے بصری نقش سٹیریو کیمروں اور AI گہرائی کے ماڈلز سے اشیا کا فاصلہ غلط اندازہ کرواسکتے ہیں۔ کنٹرول شدہ تجربات میں چلتے زمینی روبوٹ اور گاڑی پر لگے کیمروں نے رکاوٹوں کا ایسا غلط اندازہ دیا جو اتنی دیر برقرار رہا کہ محققین کے مطابق خودمختار ڈرائیونگ سافٹ ویئر میں بیان کردہ ردعمل کی حد تک پہنچ جائے۔

یہ [مطالعہ، جو 14 ستمبر کو arXiv پر پوسٹ ہوا](https://arxiv.org/abs/2609.16336)، ان غلطیوں کو اس بات سے جوڑتا ہے کہ کیمرے روشنی کو پکسلز میں کیسے بدلتے اور اپنے دونوں مناظر کو کیسے ہم آہنگ کرتے ہیں۔ اس میں سافٹ ویئر کے ایک دفاع کو بھی آزمایا گیا ہے۔ خودمختار نظام بنانے یا جانچنے والوں کے لیے اہم بات ایک ایسا مخصوص نقصی طریقہ ہے جو سیکھے ہوئے گہرائی کے ماڈلز میں بھی برقرار رہتا ہے، اور ساتھ ہی اس کے کم کیے جانے کے شواہد بھی ہیں۔

## بڑی تبدیلی

- **کیا بدلا:** محققین نے دہرائے جانے والے بصری نقشوں کے ابہام کو کیمرے میں ناپے جانے والے نقائص سے جوڑا، پھر روایتی سٹیریو موازنہ اور سیکھے ہوئے ماڈلز میں گہرائی کی غلطیاں دکھائیں۔ آزمائشی نظاموں میں موازنے کے الگورتھم کی جگہ AI لگانے سے یہ کمزوری ختم نہیں ہوئی۔
- **یہ کیوں اہم ہے:** فاصلے کا اندازہ رکاوٹوں کی شناخت میں استعمال ہوتا ہے۔ ان تجربات میں راستے کے برابر چلتی ایک وین کو گاڑی کے راستے کے اندر رکاوٹ سمجھا جاسکتا تھا۔ اس لیے گہرائی کے اندازے کی قابلِ اعتماد ہونا گاڑی کے اگلے فیصلے کے لیے اہم ہے۔
- **کس بات پر نظر رکھیں:** مجوزہ دفاع دہرائے گئے نمونوں کی جانچ کے لیے مماثلتوں کے عمل کو دیکھتا ہے۔ اس کے حوصلہ افزا نتائج محدود تصویری مجموعوں تک ہیں؛ دوسری اقسام کے کیمروں، ماڈلز اور عملی حالات میں قابلِ اعتماد کارکردگی اپنانے کے لیے اہم سوال ہے۔

## تکرار فاصلے کے اندازے کو کیسے بدلتی ہے

سٹیریو کیمرا ایک ہی منظر کے دو زاویے استعمال کرتا ہے۔ سافٹ ویئر ہر تصویر میں ایک خصوصیت تلاش کرکے اس کے افقی ہٹاؤ کو ناپتا ہے؛ اسے ڈسپیریٹی کہتے ہیں۔ کیمرے کی جیومیٹری اس ہٹاؤ کو فاصلے میں بدلتی ہے۔

دہرائے جانے والے نقش سے کئی مماثلتیں ممکن ہوجاتی ہیں۔ [مقالے کا تجزیہ](https://arxiv.org/html/2609.16336v1#S3) غلط مماثلت کے درست مماثلت پر غالب آنے کے دو طریقے بتاتا ہے۔ پہلی وجہ یہ کہ ہر کیمرا منظر کو پکسلز کے جال پر نمونے کی صورت میں لیتا ہے۔ گہرے شکل اور روشن پس منظر کے درمیان حد دونوں جالوں پر قدرے مختلف مقام پر آسکتی ہے، جس سے پکسل کی شدت میں ہلکا فرق پیدا ہوتا ہے۔ دوسری وجہ دونوں تصاویر کے باہمی تعلق میں کیلیبریشن کی باقی ماندہ غلطیاں ہیں۔

یہ اثرات مل کر کسی دوسری تکرار کو درست تکرار سے زیادہ قریب مشابہ بنا سکتے ہیں۔ اس سے بننے والا ہٹاؤ سطح کا فاصلہ غلط دکھاتا ہے۔ ٹیم نے یہ حساسیت سیکھے ہوئے سٹیریو ماڈلز میں بھی پائی، جو تصاویر سے نکالی گئی خصوصیات کا موازنہ کرتے ہیں۔

یہ خاص طور پر منتخب کیے گئے نقش تھے۔ مطالعے میں خطرے کا مفروضہ یہ ہے کہ کیمرے اور متعلقہ پروسیسنگ کی ترتیبات معلوم ہوں، یا جائزے کے لیے ان سے ملتا جلتا نظام دستیاب ہو۔ [University of Florida کی 22 ستمبر کی تحقیق کی تفصیل](https://news.ufl.edu/2026/09/ai-powered-vehicles/) میں تحقیق کی سربراہ Sara Rampazzi نے قدرتی طور پر پائے جانے والے تکراری نقشوں کو بھی حفاظتی تشویش قرار دیا ہے۔ مطالعہ یہ نہیں ناپتا کہ عام سڑک کنارے کی بناوٹیں زیرِ استعمال گاڑیوں میں کتنی بار خطرناک غلطیاں پیدا کرتی ہیں۔

## آزمائشوں میں ادراک کے نظام کے مختلف حصے شامل تھے

محققین نے ریکارڈ شدہ تصاویر، کیمروں کی طبعی پیمائشوں اور سیمولیشنز پر تجربات یکجا کیے۔

| جائزہ | نظام اور حالات | کیا ناپا گیا |
| --- | --- | --- |
| ترمیم شدہ ڈرائیونگ تصاویر | 7,518 KITTI سٹیریو تصویری جوڑوں پر نقش چڑھائے گئے؛ BM اور SGBM موازنہ الگورتھمز، نیز PSMNet، MoCha-Stereo اور UniMatch | روایتی اور سیکھے ہوئے طریقوں سے حاصل شدہ گہرائی کے اندازوں میں تبدیلیاں |
| سٹیریو اور LiDAR کا امتزاج | SGM-DDC، جس میں ہموار دیوار کو ظاہر کرنے کے لیے مصنوعی LiDAR پوائنٹ کلاؤڈ استعمال کیا گیا | کیا یہ امتزاجی طریقہ نقشوں سے پیدا ہونے والی غلطی کے خلاف مزاحمت کرتا ہے |
| کیمروں کے طبعی تجربات | ZED2 اور RealSense کیمرے، اندر اور باہر | دکھائے یا پروجیکٹ کیے گئے نقشوں سے پیدا ہونے والی گہرائی کی غلطیاں |
| طبعی حرکت | 10 کلومیٹر فی گھنٹہ کی رفتار سے AgileX Hunter 2.0 زمینی گاڑی پر، اور تقریباً 15 کلومیٹر فی گھنٹہ سے چلتی ایک گاڑی پر کیمرے | حرکت کے دوران گہرائی کے غلط اندازے کتنی دیر برقرار رہے |
| زیادہ رفتار کی سیمولیشن | CARLA میں 10، 20، 30 اور 40 کلومیٹر فی گھنٹہ؛ سٹیریو تصاویر پر BM لاگو کیا گیا | سیمولیٹڈ ڈرائیونگ میں گہرائی کی غلطی کتنی دیر برقرار رہی |

مقالے اور اس کے تجرباتی مواد کے ضمیمے میں RealSense سینسر کو D435 کہا گیا ہے۔ [مصنفین کا مظاہرے والا صفحہ](https://cpseclab.github.io/stereocam/) اسے D435i کہتا ہے؛ ان ماخذوں کی وضاحتیں سینسر کے بالکل درست ورژن پر یکساں نہیں ہیں۔

ایک اندرونی تجربے میں، کیمروں سے تین میٹر دور سطح کو منتخب نقشوں کے تحت ZED2 نے 0.8 میٹر اور RealSense نے 0.6 میٹر دور قرار دیا۔

SGM-DDC سٹیریو موازنے کو محدود کرنے کے لیے LiDAR کے فاصلے استعمال کرتا ہے اور امتزاج کے بغیر طریقوں کی نسبت نقشوں کی تبدیلیوں کے مقابلے میں زیادہ مزاحم تھا، مگر آزمودہ ترتیب میں اس سے بھی غلطیاں ہوئیں۔ مصنوعی LiDAR ان پٹ اس نتیجے کو ایک امتزاجی طریقے اور بنائے گئے حالات تک محدود رکھتا ہے۔

## ڈرائیونگ کے تجربات میں رکاوٹ کا غلط ادراک دکھایا گیا

طبعی گاڑی کے تجربے میں ٹیم نے گاڑی کے راستے کے برابر کھڑی وین پر ایک نقش پروجیکٹ کیا۔ گہرائی کے غلط اندازے میں اس سطح کا ایک حصہ گاڑی کے محسوس کردہ راستے کے اندر دکھائی دیا۔ مقالے کے نتائج کے جدول میں دونوں کیمروں اور روشنی کے حالات میں غلط اندازے تقریباً 0.7 سے 1.2 سیکنڈ تک برقرار رہنے کا ذکر ہے۔

بعد کے جائزے کے لیے محققین نے Autoware کا Euclidean clustering استعمال کیا، جو گہرائی کے نقشے میں قریب موجود نقاط کو ممکنہ رکاوٹوں کے گروہوں میں اکٹھا کرتا ہے۔ کسی تجربے کو کامیاب تب شمار کیا گیا جب غلط نقاط کو رکاوٹ کے طور پر شناخت کیا گیا، اور انہوں نے 0.5 سیکنڈ تک برقرار رہنے کو ہنگامی بریک لگانے جیسے خودکار ردعمل کے لیے کافی حد بتایا۔ [تجرباتی مواد کے ضمیمے میں](https://zenodo.org/records/20767261) بھی ریکارڈ شدہ پوائنٹ کلاؤڈز اور گہرائی کے غلط جھرمٹ کے دورانیے کے جائزے کی وضاحت ہے۔

رپورٹ کردہ جائزے میں حقیقی ہنگامی بریک لگانے، ناپی گئی کمیِ رفتار یا تصادم کی دستاویز نہیں ہے۔ University of Florida ممکنہ تصادم اور اچانک بریک لگنے سے خطرات کو تحقیق سے سامنے آنے والے خدشات کے طور پر بیان کرتا ہے۔ رپورٹ کردہ تجربات میں یہ نتائج دکھائے نہیں گئے۔

طبعی تجربات کنٹرول شدہ ماحول میں زیادہ سے زیادہ 15 کلومیٹر فی گھنٹہ کی رفتار پر ہوئے۔ 40 کلومیٹر فی گھنٹہ پر نتیجہ CARLA سے آیا: سیمولیٹڈ گہرائی میں تبدیلی 2.1 سیکنڈ تک برقرار رہی۔ یہ الگ سیمولیشن زیرِ مطالعہ حالات کو وسیع کرتی ہے، مگر اس رفتار پر طبعی تجربہ ثابت نہیں کرتی۔

## دفاع بار بار آنے والی ممکنہ مماثلتیں جانچتا ہے

مجوزہ دفاع دونوں تصاویر کا موازنہ کرنے کے لیے استعمال ہونے والے اسکورز کا جائزہ لیتا ہے۔ بار بار آنے والی ساختیں ممکنہ مماثلتوں کا ایک دہرایا ہوا سلسلہ بناتی ہیں۔ طریقہ اس باقاعدگی کا پتا لگاتا اور متاثرہ حصے کو ایک بڑے خطے کے طور پر ملاتا ہے، جس سے غلط دہرائے گئے عنصر کے چن لیے جانے کا امکان کم ہوتا ہے۔

مصنفین کے مطابق، طبعی آزمائش کے حالات میں حاصل کیے گئے 200 سٹیریو تصویری جوڑوں میں 96.5% جانچے گئے معاملات میں گہرائی کی غلطی آدھے میٹر سے کم رہ گئی۔ انہوں نے اسی طریقے کو PSMNet کے اندر درمیانی درجے کی موازنہ معلومات پر بھی ڈھالا۔ نقشے شامل کیے گئے 200 KITTI تصویری جوڑوں میں اس نسخے نے ہر جانچے گئے معاملے میں غلطی کو 0.1 میٹر سے کم کردیا۔

سیکھے ہوئے ماڈل کے دفاع کا نتیجہ PSMNet کے لیے ہے؛ اس سے MoCha-Stereo یا UniMatch پر یہی نتیجہ ثابت نہیں ہوتا۔ مطالعہ طبعی تجربات کو ہموار یا کسی حد تک ہموار سطحوں تک محدود رکھتا ہے اور متحرک آزمائشوں میں ایک مقررہ نقش استعمال کرتا ہے۔ اس کی بحث یہ بھی دکھاتی ہے کہ تربیتی ڈیٹا بدلنے سے ماڈل پر اثر انداز ہونے والے نقش اور اثر کی مقدار بدل سکتے ہیں۔

ان تجربات سے نظام بنانے والوں کے پاس یہ جانچنے کی وجہ ہے کہ کیمرے کی پروسیسنگ اور سیکھی ہوئی گہرائی کے اندازے، دونوں میں دہرائے جانے والے نقش کیسے اثر ڈالتے ہیں۔ مکمل عملی حالات میں زیرِ استعمال نظام پر اس دفاع کی کارکردگی ابھی ثابت نہیں ہوئی۔

مصنفین کے مطابق مقالہ ACM CCS 2026 میں آئندہ پیش کیا جائے گا۔ [کانفرنس کی سرکاری ویب سائٹ](https://www.sigsac.org/ccs/CCS2026/) کے مطابق اجلاس 15 سے 19 نومبر کو دی ہیگ میں ہوگا اور حتمی پروگرام تیار کیا جارہا ہے۔ یہ کام ابھی وہاں پیش نہیں ہوا۔

## ذرائع اور مزید مطالعہ

- [گہرائی کا فریب: گہرائی کے اندازے میں پوشیدہ سٹیریو وژن کی کمزوریوں کا انکشاف](https://arxiv.org/abs/2609.16336)، 14 ستمبر 2026۔ مکمل مقالے میں نقص کا طریقہ، جانچے گئے الگورتھمز اور کیمرے، طبعی و سیمولیٹڈ حالات، دفاع کے نتائج اور حدود درج ہیں۔ گاڑی سے متعلق بیان کردہ نتیجہ رکاوٹ کا غلط ادراک اور ردعمل کی ایک حوالہ شدہ حد ہے؛ طریقۂ کار میں حقیقی بریک لگانے یا تصادم کی دستاویز نہیں۔
- [University of Florida کی تحقیق کی تفصیل](https://news.ufl.edu/2026/09/ai-powered-vehicles/)، 22 ستمبر 2026، جیسا کہ براہِ راست ماخذ پر درج ہے۔ تحقیقی ٹیم کی وضاحت اور ان سے منسوب حفاظتی خدشات فراہم کرتی ہے۔ تصادم اور اچانک بریک کے منظرنامے ممکنہ نتائج ہیں، مشاہدہ شدہ واقعات نہیں۔
- [مصنفین کا مظاہرے والا صفحہ](https://cpseclab.github.io/stereocam/) اور [تحقیقی مواد](https://zenodo.org/records/20767261)، 24 ستمبر 2026 کو جانچے گئے۔ تجرباتی ضمیمے میں تصویری، پوائنٹ کلاؤڈ اور سیمولیشن جائزوں کی تفصیل ہے۔ مظاہرے کے کیپشن RealSense D435i بتاتے ہیں، جبکہ مقالہ اور تجرباتی ضمیمہ D435 کہتے ہیں۔ BIG CHANGE نے تجربات دوبارہ نہیں کیے۔
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/)، 24 ستمبر 2026 کو جانچی گئی۔ کانفرنس کی تاریخوں اور مقام کی تصدیق کرتی ہے۔ مقالے کو آئندہ پیش ہونے والا مصنفین نے کہا ہے؛ اس مضمون کے لیے دیکھی گئی کانفرنس ویب سائٹ پر پیشی کا مخصوص وقت نہیں دیا گیا۔

## Sources

- [گہرائی کا فریب: گہرائی کے اندازے میں پوشیدہ سٹیریو وژن کی کمزوریوں کا انکشاف](https://arxiv.org/abs/2609.16336) — 14 ستمبر 2026۔ مکمل مقالہ، طریقۂ کار، شکلیں اور ضمیمے نقص کے طریقے، جانچے گئے نظاموں اور دفاع کے نتائج کی بنیاد ہیں۔ طبعی ڈرائیونگ کے تجربات میں گہرائی اور رکاوٹوں کے جھرمٹ کا غلط اندازہ ناپا گیا؛ ردعمل کا نتیجہ برقرار رہنے کی مدت کی حد سے اخذ کیا گیا، حقیقی بریک لگانے یا تصادم کی دستاویز نہیں۔
- [University of Florida: سادہ بصری نقش AI سے چلنے والی گاڑیوں اور روبوٹس کو دھوکا دے سکتے ہیں](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — 22 ستمبر 2026، جیسا کہ براہِ راست ماخذ پر درج ہے۔ تحقیقی ٹیم کی وضاحت اور ان سے منسوب حفاظتی خدشات فراہم کرتا ہے۔ تصادم اور اچانک بریک کے منظرنامے ممکنہ نتائج ہیں، مشاہدہ شدہ واقعات نہیں۔
- [مصنفین کا مظاہرے والا صفحہ: گہرائی کا فریب](https://cpseclab.github.io/stereocam/) — 24 ستمبر 2026 کو جانچا گیا۔ تجربے اور آئندہ ACM CCS میں پیش کیے جانے والے مقالے کی وضاحت کرتا ہے۔ مظاہرے کے کیپشن RealSense D435i بتاتے ہیں، جبکہ مقالہ اور تجرباتی ضمیمہ D435 کہتے ہیں۔ ویڈیوز کو اضافی ثبوت کے طور پر استعمال نہیں کیا گیا۔
- [گہرائی کا فریب: تحقیقی مواد اور ضمیمہ](https://zenodo.org/records/20767261) — موجودہ ورژن 8 اگست 2026 کو شائع ہوا؛ 24 ستمبر کو جانچا گیا۔ مکمل تجرباتی ضمیمے میں ریکارڈ شدہ پوائنٹ کلاؤڈ جائزوں، طبعی آزمائش کے دورانیوں، CARLA سیمولیشنز اور دفاع کے جائزے کی تفصیل ہے۔ BIG CHANGE نے تجربات دوبارہ نہیں کیے۔
- [ACM CCS 2026 کی سرکاری کانفرنس ویب سائٹ](https://www.sigsac.org/ccs/CCS2026/) — 24 ستمبر 2026 کو جانچی گئی۔ 15 سے 19 نومبر کو دی ہیگ میں ہونے کی تصدیق کرتی ہے اور 18 ستمبر کے نوٹس میں کہتی ہے کہ حتمی پروگرام تیار کیا جارہا ہے۔ مصنفین کے مطابق مقالہ آئندہ پیش ہوگا؛ دیکھی گئی کانفرنس ویب سائٹ پر اس کے لیے مخصوص وقت نہیں دیا گیا۔