Diffusion Models for Smarter UAVs: Decision-Making and Modeling

تصبح المركبات الجوية غير المأهولة، وهي الطائرات المسيرة التي تملأ السماوات الآن للقيام بكل شيء من توصيل الطرود إلى مراقبة المحاصيل، أكثر تطوراً بشكل متزايد. ومع ذلك، بينما تتولى هذه الآلات أدواراً أكثر تعقيداً، فإنها تواجه عقبة مستعصية: فهي تحتاج إلى كميات هائلة من البيانات لتتعلم كيفية اتخاذ قرارات ذكية، لكن جمع تلك البيانات في العالم الحقيقي بطيء ومكلف، وفي بعض الأحيان خطير. ولحل هذه المشكلة، يلجأ المهندسون غال>اً إلى أداتين قويتين. الأولى هي طريقة تسمى "التعلم التعزيزي"، حيث يتعلم برنامج كمبيوتر عن طريق التجربة والخطأ، تماماً مثل طفل يتعلم ركوب الدراجة، لكن الأمر يتطلب ملايين المحاولات للوصول إلى الإتقان. والثانية هي "التوأم الرقمي"، وهو نسخة افتراضية لدرون مادي وبيئته تسمح للباحثين باختبار الأفكار دون المخاطرة بالآلة الفعلية. لقد كان التحدي دائماً هو أن هذه العوالم الافتراضية وبرامج التعلم غالباً ما تعاني عندما تكون البيانات في العالم الحقيقي شحيحة أو عندما تتغير البيئة بسرعة كبيرة.

تقترح دراسة جديدة نُشرت في مجلة "IEEE Vehicular Technology Magazine" طريقة لسد هذه الفجوة باستخدام فئة من الذكاء الاصطناعي تُعرف باسم "نماذج الانتشار" (diffusion models). هذه النماذج ليست جديدة على عالم توليد الصور، حيث اشتهرت بإنشاء صور واقعية من أوصاف بسيطة، لكن هذا البحث يستكشف إمكاناتها لتعليم الدرونات كيف تطير بذكاء أكبر. استقصى الباحثون، بقيادة يوسف إمامي وزملائه، ما إذا كانت هذه النماذج يمكن أن تولد بيانات اصطناعية واقعية للمساعدة في تعليم الدرونات بشكل أسرع وأكثر أماناً. ووجدوا أنه من خلال استخدام نماذج الانتشار لإنشاء سيناريوهات مزيفة ولكن دقيقة للغاية حول كيفية تحرك الدرونات المجاورة، يمكنهم تحسين قدرات اتخاذ القرار لدى سرب الدرونات بشكل كبير. تشير الدراسة إلى أن هذا النهج يوفر طريقة أكثر استقراراً وموثوقية لتدريب الدرونات مقارنة بالطرق التوليدية الأخرى الموجودة، مما قد يجعل عمليات الدرونات المستقبلية أكثر أماناً وكفاءة.

المشكلة الجوهرية التي عالجها الفريق هي صعوبة تعليم مجموعة من الدرونات كيفية العمل معاً. فعندما يحلق سرب من الدرونات، يجب على كل واحدة منها تعديل سرعتها واتجاهها باستمرار بناءً على موقع جاراتها. في العالم الحقيقي، يمكن أن يكون التواصل بين هذه الآلات الطائرة متقطعاً؛ فقد تضعف الإشارات أو تتشوه، مما يترك الدرون بمعلومات غير كاملة عن جاراتها. وإذا لم تستطع الدرون تخمين مكان الآخرين بدقة، فإن المجموعة بأكملها تخاطر بالتحطم أو فقدان التشكيل. وتواجه طرق التعلم التقليدية صعوبة هنا لأنها تحتاج إلى بيانات مثالية للتعلم بفعالية، وفي العالم الحقيقي، البيانات المثالية نادرة. لجأ الباحثون إلى نماذج الانتشار لتعمل كنوع من "مخلق البيانات". فبدلاً من انتظار درون ليطير آلاف الأميال لجمع ما يكفي من الأمثلة الواقعية حول كيفية تحرك الجيران، يتعلم النموذج الأنماط الأساسية من مجموعة أصغر من البيانات ثم يولد عدداً لا يحصى من الأمثلة الجديدة والواقعية لتلك التحركات.

لاختبار هذه الفكرة، أعد الفريق محاكاة تتضمن أربعة درونات تحلق في منطقة مساحتها 200 متر في 200 متر. قاموا ببرمجة الدرونات لتعلم كيفية الحفاظ على مسافات آمنة فيما بينها أثناء الحركة. قارن الباحثون بين ثلاث طرق مختلفة لتوليد المعلومات المفقودة حول تحركات الجيران: نهج نموذج الانتشار الجديد، وطريقة تسمى "الشبكات التنافسية التوليدية" (generative adversarial networks)، وأخرى تُعرف بـ "المشفرات التلقائية المتغيرة" (variational autoencoders). في هذا الإعداد، لم تكن لدى الدرونات معرفة مثالية بسرعات جاراتها؛ بل كان عليها الاعتماد على التقديرات. كُلفت نماذج الانتشار بمهمة ملء الفجوات، وتوفير تخمينات معقولة حول كيفية تحرك الدرونات الأخرى. وأظهرت النتائج أنه بينما استطاعت الطرق الثلاث في النهاية مساعدة الدرونات على التعلم، إلا أن نموذج الانتشار كان أكثر اتساقاً بكثير. فقد أنتج تدفقاً مستمراً من التقديرات الموثوقة، مما سمح للدرونات بتعلم نمط طيران مستقر، دون التقلبات الحادة في الأداء التي شهدتها الطرق الأخرى.

تسلط الدراسة الضوء على ميزة محددة لهذا النهج الجديد: الاستقرار. في عمليات المحاكاة، وصلت الدرونات التي استخدمت نموذج الانتشار إلى مستوى عالٍ من الأداء وبقيت عنده، بينما أظهرت الطرق الأخرى تقلبات، حيث كانت تؤدي جيداً أحياناً وتتعثر أحياناً أخرى مع تقدم التدريب. هذا الاتساق أمر بالغ الأهمية للتطبيقات الواقعية حيث تكون السلامة هي الأولوية. فإذا كان نظام تعلم الدرون غير مستقر، فقد يتخذ قراراً مفاجئاً وغير متوقع قد يؤدي إلى تصادم. ومن خلال توفير منحنى تعلم أكثر سلاسة وموثوقية، يساعد نموذج الانتشار في ضمان أن قرارات الدرون تعتمد على فهم صلب لبيئته، حتى عندما تكون المعلومات التي يتلقاها غير كاملة.

يوضح هذا العمل أيضاً أين تقع هذه النماذج ضمن الصورة الأكبر لتكنولوجيا الدرون. ويؤكد الباحثون أن نماذج الانتشار هذه ليست مخصصة للتحكم في الدرونات في الوقت الفعلي أثناء طيرانها. بدلاً من ذلك، تُستخدم خلال مرحلة التدريب، غالباً داخل بيئة "التوأم الرقمي"، لإعداد برمجيات اتخاذ القرار في الدرون قبل أن تغادر الأرض. يتعلم النموذج من البيانات، ويولد سيناريوهات جديدة، ويساعد "دماغ" الدرون في اكتشاف أفضل طريقة للاستجابة لمختلف المواقف. وبمجرد تدريب الدرون، فإنه يستخدم القواعد المتعلمة للطيران في العالم الحقيقي. هذا الفصل حيوي لأن عملية توليد هذه البيانات الاصطناعية مكلفة حاسوبياً وتتطلب أجهزة كمبيوتر قوية لا تستطيع الدرون الصغيرة حملها.

تمتد آثار هذا البحث إلى ما هو أبعد من مجرد منع الدرونات من التحطم. فمن خلال تحسين كيفية تعلم الدرونات للتنسيق، يمكن لهذه التكنولوجيا أن تجعل العمليات واسعة النطاق، مثل مهام البحث والإنقاذ في المناطق الخطرة أو إدارة حركة المرور في المدن الذكية، أكثر جدوى بكثير. في هذه السيناريوهات، لا يعد إرسال درون إلى موقف خطير للتعلم عن طريق التجربة والخطأ خياراً متاحاً. إن القدرة على التدريب بفعالية في عالم افتراضي، باستخدام بيانات اصطناعية تعكس بدقة تعقيدات العالم الحقيقي، تعني أنه يمكن نشر الدرونات بدرجة أعلى من الثقة. لا تدعي الدراسة أنها حلت كل مشكلة في اتصالات الدرون، لكنها تقدم برهاناً ملموساً على أن نماذج الانتشار يمكن أن تعمل كأداة قوية للتغلب على ندرة البيانات التي أعاقت طويلاً تطوير الأنظمة الجوية المستقلة والذكية.

في نهاية المطاف، تقدم الورقة مساراً واضحاً لدمج الذكاء الاصطناعي المتقدم في العالم المادي للطيران. فهي تظهر أنه من خلال استخدام هذه الأدوات التوليدية الجديدة لإنشاء بيانات تدريب واقعية، يمكن للمهندسين بناء أسراب من الدرونات ليست فقط أكثر ذكاءً، بل أيضاً أكثر متانة في مواجهة عدم اليقين. وتشير النتائج إلى أنه مع صقل هذه النماذج ودمجها مع تقنيات أخرى مثل التوائم الرقمية، فإن الفجوة بين ما يمكن للدرونات القيام به في المحاكاة وما يمكن أن تحققه في السماء ستستمر في التقلص، مما يمهد الطريق لمستقبل تعمل فيه المركبات الجوية ذاتية القيادة بمستوى من التنسيق والسلامة كان بعيد المنال في السابق.