⚡ electrical engineering

On the Value of Base Station Motion Knowledge for Goal-Oriented Remote Monitoring with Energy-Harvesting Sensors

يصيغ هذا البحث المراقبة عن بُعد الموجهة نحو الأهداف باستخدام مستشعرات حصادة للطاقة ومستقبلات متنقلة كعملية ماركوف لاتخاذ القرار خاضعة للملاحظة الجزئية، مبرهناً على أن دمج معرفة حركة المحطة الأساسية في سياسات أخذ العينات والإرسال المثلى يقلل بشكل كبير من تشوه التقدير مقارنة بافتراضات المحطة الثابتة أو القناة الثابتة.

المؤلفون الأصليون: Sehani Siriwardana, Jean Michel de Souza Sant'Ana, Richard Demo Souza, Abolfazl Zakeri, Onel Luis Alcaraz López

نُشر 2026-02-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sehani Siriwardana, Jean Michel de Souza Sant'Ana, Richard Demo Souza, Abolfazl Zakeri, Onel Luis Alcaraz López

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مزارع تعيش في وادٍ ناءٍ، بعيداً عن أي أبراج اتصالات أو خطوط كهرباء. لديك مستشعر خاص على محاصيلك يحتاج إلى إرسال تحديثات حول الطقس وصحة التربة إلى "مراقب" (مثل قمر صناعي أو طائرة بدون طيار) يحلق في الأعلى. ومع ذلك، فإن هذا المستشعر يعمل ببطارية صغيرة تشحن فقط عندما تشرق الشمس (حصاد الطاقة).

هذه الورقة البحثية تتحدث عن كيفية جعل هذا المستشعر أكثر ذكاءً حتى لا يهدر طاقته الثمينة في إرسال رسائل عديمة الفائدة، خاصة عندما يكون "المراقب" الذي يحلق في الأعلى يتحرك بسرعة وجودة الاتصال تتغير باستمرار.

إليك تفصيل المشكلة والحل، باستخدام تشبيهات بسيطة:

1. المشكلة: "الهدف المتحرك" و"البطارية الهشة"

في معظم الأنظمة القديمة، نفترض أن المستقبل (القمر الصناعي أو الطائرة بدون طيار) ثابت في مكانه، مثل منارة على منحدر صخري؛ حيث تكون الإشارة ثابتة دائماً.

لكن في هذه الورقة، المستقبل يتحرك. تخيل الأمر كأنك تحاول رمي كرة لصديق يركض حول مضمار سباق.

التحدي: أحياناً يكون صديقك قريباً منك فتستطيع الرمي بقوة (قناة اتصال جيدة). وأحياناً يكون بعيداً أو خلف شجرة (قناة اتصال سيئة).
القيد: ذراعك (المستشعر) تتعب. لديك بضع رميات فقط قبل أن تحتاج إلى الراحة وإعادة الشحن (حصاد الطاقة).
الخطأ: إذا كنت لا تعرف أين يركض صديقك، فقد ترمي الكرة عندما يكون بعيداً (فتضيع الطاقة وتضيع الكرة) أو عندما يكون بجانبك تماماً ولكنك متعب جداً لدرجة لا تسمح لك بالرمي.

2. الحل: "معرفة خطوات الرقص"

تساءل الباحثون: ماذا لو عرف المستشعر بالضبط كيف يتحرك القمر الصناعي أو الطائرات بدون طيار؟

بدلاً من التخمين، يتعلم المستشعر "خطوات الرقص" الخاصة بالمستقبل. فهو يعرف أن القمر الصناعي سيكون في "موضع سيء" لمدة 10 ثوانٍ، ثم في "موضع رائع" لمدة 5 ثوانٍ، ثم يعود ليكون في "موضع سيء" مرة أخرى.

لقد ابتكروا صانع قرار ذكي (خوارزمية) يعمل مثل لاعب الشطرنج؛ فهو لا ينظر فقط إلى النقلة الحالية، بل ينظر للمستقبل.

إذا كانت القناة سيئة: يقول المستشعر: "سأحبس أنفاسي وأنتظر. لن أهدر بطاريتي".
إذا كانت القناة جيدة: يقول المستشعر: "هذا هو الوقت المثالي! سآخذ البيانات وأرسلها فوراً".

3. الطريقتان لتخمين الإجابة

بما أن المستشعر لا يمكنه دائماً إرسال البيانات، يجب على المستقبل (القمر الصناعي) أن يخمن حالة الطقس بناءً على آخر رسالة تلقاها. اختبرت الورقة طريقتين للتخمين:

تخمين "الأكثر احتمالاً" (ML): "في آخر مرة سمعت فيها منك، كان الجو مشمساً. من المرجح أن الجو لا يزال مشمساً".
تخمين "أفضل متوسط" (MMD): "لقد كان الجو مشمساً لفترة، ولكن إحصائياً، من المرجح أن يكون الجو ممطراً في هذا الوقت من اليوم، لذا سأخمن أنه ممطر لأكون في أمان".
النتيجة: كان تخمين "أفضل متوسط" (MMD) أفضل قليلاً في الحفاظ على وضوح الصورة.

4. الفوز الكبير: تقليل التشوه

في عالم البيانات، "التشوه" يشبه الصورة الضبابية. إذا كانت البيانات قديمة أو مفقودة، ستكون الصورة ضبابية. الهدف هو الحفاظ على الصورة حادة وواضحة.

أجرى الباحثون عمليات محاكاة مع نوعين من المستقبلات المتحركة:

حركة بسيطة: مثل طائرة بدون طيار تحوم ذهاباً وإياباً.
حركة معقدة: مثل قمر صناعي حقيقي في مدار أرضي منخفض (LEO) يرتفع، ثم يمر فوق الرأس مباشرة، ثم يغرب.

النتائج:

عندما تجاهل المستشعر الحركة وأرسل البيانات كلما توفرت لديه البطارية، كانت "الصورة" ضبابية جداً (تشوه عالٍ).
عندما عرف المستشعر الحركة وانتظر اللحظة المثالية للإرسال، أصبحت "الصورة" أكثر حدة بنسبة 10% إلى 42%.

الخلاصة

فكر في هذا الأمر كأنك تنتظر اللحظة المثالية للصراخ عبر وادٍ سحيق.

الطريقة القديمة: تصرخ كلما شعرت بالرغبة في ذلك. أحياناً تحمل الرياح صوتك، وأحياناً لا. تتعب وتنفد أنفاسك.
الطريقة الجديدة: تستمع إلى الرياح. أنت تعرف أن الرياح تهدأ كل 5 دقائق. تظل صامتاً، وتوفر أنفاسك، ثم تصرخ فقط عندما تهب الرياح باتجاه الطرف الآخر بشكل مثالي.

باختاً مختصراً: من خلال تعليم مستشعرات حصاد الطاقة "مراقبة" حركة المستقبل، يمكننا إرسال معلومات أكثر وضوحاً باستخدام نفس القدر من الطاقة. إنها تحول محادثة فوضوية وضبابية إلى محادثة واضحة ونقية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "حول قيمة معرفة حركة المحطة الأساسية للمراقبة عن بُعد الموجهة نحو الأهداف باستخدام مستشعرات حصاد الطاقة."

1. بيان المشكلة

تتناول الورقة البحثية تحدي المراقبة عن بُعد الموجهة نحو الأهداف لمصادر ماركوف غير القابلة للملاحظة في المناطق النائية (مثل المناطق الخارجة عن نطاق التغطية الخلوية) باستخدام مستشعرات حصاد الطاقة (EH).

السياق: على عكس الأنظمة التقليدية ذات المحطات الأساسية الثابتة، يركز هذا العمل على السيناريوهات التي يكون فيها المستقبل (المراقب) متنقلاً، مثل الأقمار الصناعية في المدار الأرضي المنخفض (LEO) أو الطائرات بدون طيار (UAV).
المشكلة الجوهرية: تؤدي حركة المستقبل إلى خصائص قناة متغيرة زمنياً (تحديداً معدل نجاح الاستقبال المتغير أو RSR). غالباً ما تفترض استراتيجيات التحسين التقليدية وجود مستقبل ثابت مع قناة ثابتة، أو تتجاهل ديناميكيات القناة تماماً.
الهدف: صياغة وحل مشكلة تحسين لتحديد سياسات أخذ العينات (Sampling) والإرسال (Transmission) المثلى لمستشعر حصاد الطاقة. الهدف هو تقليل متوسط التشويه (خطأ التقدير) لحالة المصدر عند المراقب، مع الالتزام بقيود طاقة صارمة، مع مراعاة حركة المستقبل وتغيرات القناة الناتجة عنها بشكل صريح.

2. المنهجية

يقترح المؤلفون إطار عمل يقوم بنمذجة ديناميكيات النظام وحل مشكلة التحسين الناتجة باستخدام نظرية التحكم العشوائي.

نموذج النظام

المكونات: مصدر معلومات (سلسلة ماركوف بـ $M$ من الحالات)، ومستشعر (يحتوي على أداة أخذ عينات، مخزن مؤقت، وحدة تحكم، وجهاز إرسال)، ومراقب متنقل.
الطاقة: يتم تشغيل المستشعر بواسطة حصاد طاقة بسعة بطارية محدودة ( $E$ ). تصل الطاقة عبر عملية بيرنولي. وتُستنفد التكاليف لعمليات أخذ العينات ( $\kappa$ ) والإرسال ( $\tau$ ).
ديناميكيات القناة: يتم نمذجة القناة كـ عملية ماركوف ذات حالات محدودة بـ $K$ من الحالات. تمثل مصفوفة انتقال الحالة ( $Q$ ) حركة المحطة الأساسية (مثل صعود القمر الصناعي، بلوغ الذروة، أو الغروب)، ولكل حالة معدل نجاح استقبال مرتبط بها ( $q_s$ ).
الإجراءات: في كل فتره زمنية، يقرر المتحكم إجراءً ثنائياً $(\alpha_t, \beta_t)$ $(α_{t}, β_{t})$ :
- $\alpha_t=1$ : أخذ عينة من المصدر.
- $\beta_t=1$ : إرسال العينة المخزنة في الموقت.
- وهذا يخلق أربعة إجراءات ممكنة: خمول، إرسال فقط، أخذ عينات فقط، أو أخذ عينات + إرسال.

الصياغة الرياضية

صياغة POMDP: بما أن المتحكم لا يمكنه ملاحظة حالة المصدر مباشرة (يلاحظ فقط حالة المخزن المؤقت ونتائج الإرسال)، فقد تمت صياغة المشكلة في البداية كـ عملية ماركوف لاتخاذ القرار تحت الملاحظة الجزئية (POMDP).
تحويلها إلى MDP: لجعل المشكلة قابلة للحل، تم تحويل الـ POMDP إلى عملية ماركوف لاتخاذ القرار (MDP) مكافئة باستخدام نهج حالة الاعتقاد (Belief State). يمثل "حالة الاعتقاد" توزيع الاحتمالات لحالة المصدر بناءً على تاريخ الملاحظات والإجراءات.
- استفاد المؤلفون من خاصية تقارب حالة الاعتقاد إلى توزيع الحالة المستقرة بناءً على "عمر المعلومات" (AoI) عند المرسل والمراقب. وهذا يسمح باختزال فضاء الاعتقاد المستمر اللانهائي إلى MDP ذات حالات محدودة.
خوارزمية التحسين: يتم حل الـ MDP الناتجة ذات الحالات المحدودة باستخدام التكرار النسبي للقيمة (RVI) لاشتقاق السياسة المثلى ( $\pi^*$ ) التي تقلل متوسط التشويه على المدى الطويل.
استراتيجيات التقدير: يتم تقييم تقنيتين للتقدير عند المراقب:
1. الاحتمال الأقصى (ML): يقدر حالة المصدر بناءً على أحدث عينة تم استقبالها.
2. الحد الأدنى من التشويه المتوسط (MMD): يستخدم معرفة مصفوفة التشويه واحتمالات الانتقال الخاصة بالمصدر لتقليل الخطأ المتوقع.

3. المساهمات الرئيسية

النمذجة الصريحة لحركة المستقبل: توسع الورقة أطر المراقبة الموجهة نحو الأهداف من خلال دمج ديناميكيات حركة المستقبل (الأقمار الصناعية/الدرونز) كقناة ماركوف متغيرة زمنياً، بدلاً من افتراض قناة ثابتة أو متوسطة.
اشتقاق السياسة المثلى: اشتقاق المؤلفين لسياسات أخذ العينات والإرسال المثلى التي تتكيف مع مستوى البطارية وحالة القناة اللحظية (حالة الحركة)، باستخدام خوارزمية RVI.
تحديد قيمة معرفة الحركة: تقيس الدراسة بدقة مكاسب الأداء الناتجة عن معرفة نمط حركة المستقبل مقارنة بالاستراتيجيات التي تفترض قناة متوسطة ثابتة أو تفتقر إلى معرفة الحركة.
التحليل المقارن: تقارن الورقة بين السياسة المثلى المقترحة وسياسة "أساسية" جشعة (إرسال إذا سمحت الطاقة)، وتقيم تأثير نماذج الحركة المختلفة (نموذج بسيط بحالتين مقابل نموذج معقد يشبه LEO بـ 6 حالات).

4. النتائج العددية

قام المؤلفون بمحاكاة النظام باستخدام مصدر مكون من 5 حالات مع معدلات وصول طاقة متغيرة ( $\mu$ ).

تقليل التشويه: أدى دمج معرفة حركة المستقبل في عملية التحسين إلى تقليل متوسط التشويه بشكل كبير.
- بالنسبة لنموذج حركة بسيط من حالتين (قناة جيدة/سيئة)، قللت السياسة المثلى التشويه بنسبة 38% إلى 42% مقارنة بالسياسات التي تفتقر لمعرفة القناة.
- بالنسبة لنموذج معقد من 6 حالات يشبه LEO، كان الانخفاض بنسبة 10% إلى 11%. ويُعزى الربح الأصغر في النموذج المعقد إلى قضاء النظام وقتاً أطول في حالات غير مثالية، مما يجبر المتحكم على الإرسال في ظروف غير مثالية بشكل متكرر.
أداء التقدير: تفوقت استراتيجية التقدير MMD باستمرار على استراتيجية ML، خاصة في سيناريوهات توفر الطاقة المنخفضة، لأنها تستخدم إحصائيات المصدر بشكل أفضل لتقليل الخطأ.
سلوك السياسة:
- السياسة المثلى (RVIA) تؤخر الإرسال بذكاء أثناء حالات القناة "السيئة" (RSR منخفض) حتى لو كانت الطاقة متوفرة، منتظرة ظروفاً أفضل.
- السياسة الأساسية تقوم بالإرسال كلما توفرت الطاقة، مما يؤدي إلى حالات فشل متكررة في حالات القناة السيئة وزيادة التشويه الإجمالي.
كفاءة الطاقة: تظهر النتائج أن الإرسال "الذكي" (انتظار حالات القناة الجيدة) أكثر فعالية من الإرسال "الجشع" (الذي يعتمد على توفر الطاقة فقط)، حتى مع محدودية الطاقة.

5. الأهمية والخاتمة

تسلط هذه الورقة الضوء على رؤية نقدية لتصميم شبكات 6G وIoT التي تتضمن مستقبلات متنقلة (أقمار صناعية، درونز): يجب نمذجة ديناميكيات القناة الناتجة عن الحركة صراحةً في سياسة التحكم.

الأثر العملي: تجاهل حركة المستقبل يؤدي إلى استخدام غير أمثل للموارد. من خلال معرفة نمط الحركة (مثل مدارات الأقمار الصناعية)، يمكن للمستشعرات جدولة عمليات الإرسال لتتزامن مع نوافذ الاستقبال عالية الاحتمالية، مما يحسن موثوقية البيانات بشكل كبير دون زيادة استهلاك الطاقة.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع الإطار ليشمل سيناريوهات ذات معلومات حالة قناة (CSI) غير كاملة، وشبكات متعددة المستشعرات، وهي سيناريوهات أكثر واقعية لنشر المراقبة عن بُعد واسعة النطاق.

باختدصار، تثبت هذه الدراسة أنه بالنسبة للمراقبة عن بُعد الموجهة نحو الأهداف والمقيدة بالطاقة، فإن "قيمة" معرفة حركة المحطة الأساسية كبيرة جداً، حيث توفر تحسناً يصل إلى 42% في دقة التقدير من خلال تمكين المستشعر من اتخاذ قرارات واعية بالسياق.