Multi-AUV Trajectory Learning for Sustainable Underwater IoT with Acoustic Energy Transfer
تقترح هذه الورقة إطار عمل مركزي يعتمد على تحسين السياسة القريبة (PPO) يعمل على التحسين المشترك للتحكم في مسار المركبات ذاتية القيادة تحت الماء (AUV) ونقل الطاقة الصوتية لاستدامة عمليات إنترنت الأشياء تحت الماء (IoUT) طويلة الأمد، محققاً تحسينات كبيرة في حداثة البيانات، والعدالة، وكفاءة الجمع مقارنة بالنماذج المرجعية الاستدلالية.
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 أن قاع المحيط عبارة عن مدينة شاسعة ومظلمة، حيث تنتشر في كل مكان مستشعرات صغيرة تعمل بالبطاريات. هذه المستشعرات تشبه أعمدة الإنارة التي يجب أن تظل مضاءة لمراقبة درجة الحرارة، والتلوث، وصحة المحيط. لكن هناك عقبة: لا يمكن توصيلها بمقبس حائط، وتغيير بطارياتها يشبه محاولة استبدال مصباح في ناطحة سحاب وأنت تقف على قارب صغير وسط عاصفة؛ وهو أمر خطير، ومكلف، وغالباً ما يكون مستحيلاً.
لحل هذه المشكلة، نشر العلماء مركبات ذاتية القيادة تحت الماء (AUVs). فكر في هذه المركبات وكأنها طائرات توصيل بدون طيار (درونز) تعمل تحت الماء. مهمتها مزدوجة:
- توصيل البيانات: تطير بالقرب من المستشعرات لتجمع المعلومات التي جمعتها تلك المستشعرات.
- إعادة شحن المستشعرات: تستخدم الموجات الصوتية (الطاقة الصوتية) لـ "صعق" المستشعات لاسلكياً بقدر ضئيل من الطاقة، مما يبقيها حية دون الحاجة لاستبدال البطارية.
المشكلة: معضلة ساعة الذروة
التحدي يكمكم في أن المحيط شاسع، والمستشعات كثيرة، والدرونز نفسها لديها عمر بطارية محدود. إذا طارت الدرون بشكل عشوائي أو اختارت أقرب مستشعر في كل مرة (نهج "الجشع")، فقد يتم زيارة بعض المستشعرات باستمرار بينما يُترك البعض الآخر في الظلام لأسابوان. هذا يجعل البيانات "قديمة" (مثل قراءة جريدة من العام الماضي).
علاوة على ذلك، إذا كان لديك عدة درونز، فيجب أن تنسق فيما بينها حتى لا تصطدم ببعضها البعض أو تهدر طاقتها في الطيران في دوائر مفرغة.
الحل: "المدرب الذكي" (الذكاء الاصطناعي)
يقترح هذا البحث طريقة جديدة لتدريب هذه الدرونز باستخدام التعلم التعزيزي العميق (DRL).
فكر في الذكاء الاصطناعي ليس كبرنامج كمبيوتر، بل كمدرب فائق الذكاء يراقب فريقاً من الدرونز.
- التدريب: المدرب لا يكتفي بإخبار الدرونز إلى أين تذهب فحسب، بل يتركها تلعب لعبة مراراً وتكراراً. في كل مرة تقوم فيها الدرون بشيء جيد (مثل جمع بيانات طازجة أو إعادة شحن مستشعر)، تحصل على "نقطة". وإذا اصطدمت، أو أهدرت الطاقة، أو تركت مستشعراً ينتظر لفترة طويلة، فإنها تخسر نقاطاً.
- التعلم: بمرور الوقت، تتعلم الدرونز "الرقصة المثالية". فهي تدرك أنه من الأفضل أحياناً الطيران لمسافة أبعد لإعادة شحن مستشعر يحتضر، أو الانفصال عن زميل لها لتغطية مساحة أكبر في وقت واحد.
الميزات الرئيسية لهذا النظام الجديد
1. درجة "عمر المعلومات" (AoI)
تخيل لوحة نتائج تتبع مدى "طزاجة" البيانات. إذا لم يتم زيارة مستشعر ما لفترة طويلة، فإن درجته ترتفع (وهذا سيء). هدف الذكاء الاصطناعي الرئيسي هو إبقاء هذه الدرجة منخفضة قدر الإمكان للجميع، مما يضمن عدم نسيان أي مستشعر.
2. الصعقة اللاسلكية للطاقة
الدرونز لا تجمع البيانات فحسب، بل تعمل أيضاً كـ بنوك طاقة لاسلكية. باستخدام الموجات الصوتية (التي تنتقل جيداً تحت الماء، على عكس الواي فاي)، تقوم ببث الطاقة للمستشعرات. يتعلم الذكاء الاصطناعي بالضبط متى يتوقف و"يصعق" المستشعر لإبقائه حياً، موازناً بين الطاقة التي ينفقها في الطيران والطاقة التي يمنحها للمستشعر.
3. العمل الجماعي سر النجاح
يختبر البحث هذا النظام باستخدام درونين يعملان معاً.
- الطريقة القديمة (الجشعة): قد تطارد درون واحدة أقرب مستشعر إليها، بينما تطارد الأخرى مستشعراً مختلفاً، مما يؤدي غالباً لتجاهل المستشعرات الموجودة في المنتصف. الأمر يشبه شخصين في متجر بقالة يحاول كلاهما التقاط نفس السلعة بينما يتجاهلان بقية الممرات.
- الطريقة الجديدة (الذكاء الاصطناعي): تتعلم الدرونتان تقسيم المحيط إلى مناطق نفوذ؛ تأخذ إحداهما الجانب الأيسر، والأخرى الجانب الأيمن. إنهما تتواصلان (ضمنياً من خلال الذكاء الاصطناعي) لضمان زيارة كل مستشعر بشكل عادل ومتكرر.
النتائج: لماذا يهم هذا؟
عندما اختبر الباحثون هذا النظام، أدت الدرونز المدعومة بالذكاء الاصطناعي أداءً أفضل بكثير من استراتيجية "اتباع أقرب جار" القديمة:
- بيانات أكثر حداثة: كانت المعلومات التي تم جمعها أحدث وأكثر موثوقية.
- العدالة: لم يُترك أي مستشعر خلف الركب؛ فقد عامل النظام جميع المستشعرات بالتساوي.
- الكفاءة: على الرغم من أن الدرونز طارت بمسارات أكثر تعقيداً، إلا أنها جمعت إجمالي بيانات أكثر لأنها لم تضيع الوقت في إعادة زيارة المستشعرات الممتلئة بالفعل أو تجاهل تلك التي كانت تحتضر.
باختختصار
يتعلق هذا البحث بتعليم الروبوتات تحت الماء كيف تكون ذكية، متعاونة، وواعية بالطاقة. فبدلاً من الطيران بعمى، تستخدم هذه الروبوتات "مدرباً" (ذكاءً اصطناعياً) لتعلم أفضل المسارات للحفاظ على الإنترنت تحت الماء حياً، طازجاً، وعادلاً للجميع، مما يضمن قدرتنا على مراقبة محيطاتنا لسنوات قادمة دون الحاجة لإرسال غواصين لتغيير البطاريات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.