💻 computer science

Semantic-Aware UAV Command and Control for Efficient IoT Data Collection

تقترح هذه الورقة إطار عمل مبتكر يدمج الاتصالات الدلالية مع التحكم والقيادة للطائرات بدون طيار، وذلك باستخدام تقنية DeepJSCC لنقل الصور بمتانة وسياسة طيران تكيفية قائمة على التعلم العميق المزدوج لـ Q (Double Deep Q-Learning) لتعظيم جودة الصور المعاد بناؤها في ظل قيود الموارد وتأخير الإشارة.

المؤلفون الأصليون: Assane Sankara, Daniel Bonilla Licea, Hajar El Hammouti

نُشر 2026-04-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Assane Sankara, Daniel Bonilla Licea, Hajar El Hammouti

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 مدينة مزدحمة حيث تنتشر مئات الكاميرات الصغيرة والثابتة (أجهزة إنترنت الأشياء - IoT devices) عبر الأرض، وكل منها يحاول التقاط صورة وإرسالها إلى مركز تحكم مركزي. لكن هناك مشكلة: الأرض مزدحمة للغاية أو متضررة بحيث لا يمكن استخدام الكابلات العادية، كما أن الكاميرات لا تملك بطارية كافية أو عرض نطاق ترددي (bandwidth) كافٍ لإرسال صور كاملة وعالية الدقة دفعة واحدة.

هنا يأتي دور الطائرة بدون طيار (UAV). فكر في الطائرة بدون طيار كأنها ساعي بريد طائر فائق السرعة، يهبط بسرعة، يلتقط الصور من الكاميرات، ثم يطير بها إلى برج التحكم.

ومع ذلك، هذه ليست مجرد مهمة توصيل بسيطة. فهذه الورقة البحثية تحل لغزاً معقداً يتضمن ثلاث شخصيات رئيسية: الكاميرات، الطائرة بدون طيار، وبرج التحكم.

1. خدعة "الصورة الذكية" (الاتصال الدلالي - Semantic Communication)

عادةً، إرسال صورة يشبه إرسال صندوق ضخم وثقيل عبر البريد. إذا كان لدى شاحنة البريد (الطائرة بدون طيار) مساحة لنصف الصندوق فقط، فستحصل على صورة ممزقة وغير مفيدة.

في هذه الورقة، تستخدم الكاميرات خدعة خاصة تسمى DeepJSCC. تخيل بدلاً من إرسال صندوق ثقيل، تقوم الكاميرا أولاً بإرسال رسم تخطيطي (Sketch) للصورة.

السحر: ترسل الكاميرا الأجزاء الأكثر أهمية من الصورة (أي "روح" الصورة) أولاً. إذا طارت الطائرة بعيداً قبل اكتمال إرسال الرسم التخطيطي بالكامل، فلا يزال بإمكان المستقبِل إعادة بناء صورة جيدة المظهر باستخدام الخطوط الأولى فقط. وكلما التقطت الطائرة المزيد من الخطوط، أصبحت الصورة أكثر وضوحاً.
الهدف: لا تحتاج الطائرة بدون طيار إلى التحلي بالثبات التام فوق الكاميرا للحصول على الصورة الكاملة؛ بل تحتاج فقط إلى البقاء قريبة لفترة كافية لالتقاط الأجزاء الأكثر أهمية.

2. مشكلة "الطيار الأعمى" (القيادة والتحكم - Command & Control)

يتم التحكم في الطائرة بدون طيار بواسطة محطة قاعدة (برج التحكم) على الأرض. يخبر البرج الطائرة: "طيري أسرع!" أو "انعطفي يساراً!".

ولكن هناك عقبة: الإشارة متأخرة (Delayed).
تخيل أنك تلعب لعبة فيديو باتصال إنترنت سيء. تضغط على زر "القفز"، لكن الشخصية تقفز بعد ثانية كاملة. إذا استمررت في الضغط على الأزرب بجنون، فقد تصطدم بحائط لأن اللعبة لم تستجب لأمرك الأول في الوقت المناسب.

تواجه الطائرة بدون طيار نفس المشكلة. يرسل البرج أمراً بالتسارع، ولكن بحلول الوقت الذي تتحرك فيه الطائرة فعلياً، قد يكون الوضع قد تغير. يجب أن تكون الطائرة ذكية بما يكفي للتنبؤ: "إذا انعطفت الآن، فسأكون في المكان الصحيح عندما يبدأ مفعول الأمر المتأخر بالفعل".

3. "العقل الذكي" (الطيار بالذكاء الاصطناعي)

كيف نعلم الطائرة كيفية التعامل مع هذا التأخير وتحديد مكان الطيران؟ أعطى المؤلفون لبرج التحكم عقلاً فائقاً (ذكاء اصطناعي يسمى DDQN).

فكر في هذا الذكاء الاصطناعي كأنه مدرب ألعاب فيديو لعب نفس المستوى مليون مرة.

الهدف: يريد المدرب من الطائرة زيارة أكبر عدد ممكن من الكاميرات والبقاء بالقرب منها لفترة كافية لالتقاط "أفضل الأجزاء" من صورها، كل ذلك قبل انتهاء مؤقت المهمة.
التعلم: يجرب الذكاء الاصطناعي مسارات طيران مختلفة.
- حركة سيئة: الطيران بسرعة كبيرة. تمر الطائرة بسرعة فوق الكاميرا، وتلتقط فقط رسماً تخطيطياً صغيراً وضبابياً، فتظهر الصورة سيئة للغاية.
  - حركة سيئة: الطيران ببطء شديد. تزور الطائرة كاميرتين فقط قبل انتهاء الوقت.
- حركة جيدة: يتعلم الذكاء الاصطناعي التحليق (Hovering) فوق الكاميرا لفترة كافية للحصول على الأجزاء الحرجة من "الرسم التخطيطي"، ثم الإسراع إلى الكاميرا التالية. إنه يتعلم الموازنة بين السرعة والصبر.

4. السباق ضد الطرق القديمة

اختبر الباحثون طيارهم الجديد المعتمد على الذكاء الاصطناعي مقابل استراتيجيتين تقليديتين:

استراتيجية "الجشع" (Greedy): مثل شخص يركض دائماً إلى أقرب متجر دون النظر إلى الخريطة. يزور الكاميرات بسرعة ولكنه غالباً ما يفقد الفرصة للحصول على بيانات جيدة لأنه لا يخطط للمستقبل.
استراتيجية "البائع المتجول" (Traveling Salesman): مثل شخص يتبع خريطة مرسومة مسبقاً بدقة. يزور الجميع في دائرة مثالية، لكنه يتجاهل حركة المرور (التأخيرات) ولا يتوقف للدردشة (جمع البيانات) لفترة كافية.

النتيجة؟
لقد فاز الطيار الذكي (DDQN) في كل مرة.

زار كاميرات أكثر من "البائع المتجول".
حصل على صور أكثر وضوحاً وحدة من "العداء الجشع".
تعلم كيف يتناغم مع مشكلة "تأخر الإشارة"، حيث يعدل مسار طيرانه بحيث يصل إلى المكان المطلوب تماماً حتى مع وجود التأخير.

الصورة الكبيرة

تتعلق هذه الورقة البحثية بتعليم طائرة بدون طيار لتكون مصوراً ذكياً ومتكيفاً. فبدلاً من مجرد الطيران في خط مستقيم أو اتباع خريطة جامدة، يستخدم الطيار "عقلاً ذكياً" لمعرفة المدة الزمنية الدقيقة التي يجب أن يحلق فيها فوق كل كاميرا للحصول على أفضل صورة ممكنة، حتى عندما تكون التعليمات القادمة من الأرض بطيئة نوعاً ما. إنها تحول مهمة جمع بيانات فوضوية وعالية السرعة إلى عملية سلسة وفعالة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التحكم والقيادة للطائرات بدون طيار (UAV) المدركة دلالياً لجمع بيانات إنترنت الأشياء بكفاءة".

1. بيان المشكلة

تتناول الورقة تحدي جمع بيانات الصور بكفاءة من أجهزة إنترنت الأشياء (IoT) باستخدام الطائرات بدون طيار (UAVs) في سيناريوهات ذات موارد اتصال وطاقة ونطاق ترددي محدودة.

التحديات الرئيسية:

قيود الموارد: تمتلك الطائرات بدون طيار بطارية ونطاق ترددي محدودين، مما يجعل نقل كميات هائلة من البيانات الخام للصور أمراً غير فعال.
المفاضلة بين المسار وجودة البيانات: يجب على الطائرة بدون طيار الموازنة بين زيارة أكبر عدد ممكن من الأجهزة (التغطية) وبين البقاء ضمن نطاق الاتصال لفترة كافية لنقل بيانات كافية لإعادة بناء صورة عالية الجودة.
زمن انتقال التحكم والقيادة (C&C Latency): تفترض النهج الحالية غالباً وجود إشارات تحكم وقيادة مثالية وخالية من التأخير. في الواقع، يوجد تأخير في نقل أوامر التسارع من المحطة الأساسية (BS) إلى الطائرة بدون طيار، مما يعقد عملية تحسين المسار في الوقت الفعلي.
النقل الجزئي: بسبب الحركة، قد لا تقوم الأجهزة بنقل حمولة البيانات الكاملة الخاصة بها قبل مغادرة الطائرة بدون طيار لنطاق الاتصال. تفشل مخططات الترميز التقليدية في هذه الظروف، بينما يوفر الاتصال الدلالي حلاً لذلك.

2. المنهجية

يقترح المؤلفون إطار عمل جديد يدمج الاتصال الدلالي (Semantic Communication) مع التحكم والقيادة للطائرات بدون طيار (UAV Command and Control)، ويتم تحسينه عبر التعلم التعزيزي (RL).

أ. نموذج النظام

الترميز الدلالي (DeepJSCC): تستخدم أجهزة إنترنت الأشياء الترميز المصدر-القناة العميق المشترك (DeepJSCC) لترميز الصور إلى نواقل كامنة (latent vectors) مدمجة ومركبة. ومن الأهمية بمكان أن هذه النواقل مرتبة حسب الأهمية (المقدار/Magnitude). وهذا يسمح للمستقبل بإعادة بناء الصورة حتى لو تم استقبال مجموعة جزئية فقط من الرموز (عن طريق ملء الرموز المفقودة بالأصفار). وكلما زاد عدد الرموز المستلمة، زادت نسبة إشارة الذروة إلى الضجيج (PSNR).
بنية الاتصال:
- الوصلة الصاعدة (Uplink): ترسل أجهزة إنترنت الأشياء الرموز إلى الطائرة بدون طيار باستخدام تقنية OFDMA عندما تكون ضمن النطاق ( $D_{com}$ ).
- الوصلة الهابطة (Downlink - C&C): تتحكم محطة أساسية (BS) في مسار الطائرة بدون طيار عن طريق إرسال أوامر تسارع ثنائية الأبعاد ( $a[t]$ ).
- نمذجة التأخير: يقوم النظام صراحةً بنمذجة تأخير الوصلة الهابطة ( $\Delta[t]$ ) لإشارات التحكم والقيادة من المحطة الأساسية إلى الطائرة بدون طيار، مما يعكس التأخيرات الحسابية والارسال الواقعية.
الديناميكيات: تتحرك الطائرة بدون طيار في فترات زمنية منفصلة ( $K$ ) بارتفاع ثابت. وتخضع حركتها لمعادلات حركية حيث يتم تحديث السرعة والموقع بناءً على أوامر التسارع.

ب. صياغة المشكلة

الهدف هو تعظيم متوسط نسبة إشارة الذروة إلى الضوضاء (PSNR) للصور المعاد بناؤها عبر جميع الأجهزة التي تمت زيارتها خلال أفق زمني ثابت $T$ .

متغير القرار: تسلسل أوامر التسارع ( $A$ ) التي تولدها المحطة الأساسية.
القيود:
- يتم زيارة كل جهاز مرة واحدة كحد أقصى.
- ديناميكيات الطائرة بدون طيار (تحديثات السرعة والموقع).
- متطلبات الوجهة النهائية.
- حدود التسارع.
هدف التحسين: تعظيم نسبة الرموز المجموعة إلى إجمالي الرموز الممكنة، مع وزنها حسب الأهمية الدلالية، مما يؤدي فعلياً إلى تعظيم جودة الصورة.

ج. الحل المقترح: التعلم العميق المزدوج لـ Q (DDQN)

بما أن المشكلة تتضمن اتخاذ قرار متسلسل تحت ظروف عدم اليقين (ظروف القناة، اتصال الأجهزة، وتأخير التحكم والقيادة)، فقد قام المؤلفون بنمذجتها كـ عملية قرار ماركوف (MDP) وحلها باستخدام التعلم العميق المزدوج لـ Q (DDQN).

فضاء الحالة ( $S$ ): يشمل موقع وسرعة الطائرة بدون طيار، الأجهزة التي تمت زيارتها، مقاييس جودة الصورة الحالية، والوقت المتبقي للمهمة.
فضاء الإجراءات ( $A$ ): نواقل تسارع ثنائية الأبعاد منفصلة للفترة الزمنية التالية.
دالة المكافأة ( $R$ ): مكافأة مركبة مصممة لـ:
1. تشجيع جمع البيانات وزيارة أجهزة متعددة ( $r_c$ ).
2. ضمان وصول الطائرة بدون طيار إلى الوجهة النهائية ضمن المهلة الزمنية ( $r_d$ ).
3. تقديم مكافأة إضافية لإتمام المهمة بنجاح ( $r_g$ ).
ميزات الخوارزمية:
- تستخدم شبكة عبر الإنترنت (Online Network) ( $\theta$ ) لاختيار الإجراء وشبكة مستهدفة (Target Network) ( $\theta^-$ ) لتقدير القيمة لتقليل انحياز المبالغة في التقدير.
- تستخدم ذاكرة إعادة التشغيل (Replay Buffer) لتخزين الانتقالات $(S, a, r, S')$ لضمان استقرار التدريب.
- يتعلم الوكيل سياسة طيران تكيفية تعدل السرعة ووقت التحليق ديناميكياً بناءً على القيمة الدلالية للبيانات والتأخير في تنفيذ الأوامر.

3. المساهمات الرئيسية

إطار عمل مدرك دلالياً: دمج DeepJSCC مع تحسين مسار الطائرة بدون طയാ، مما يسمح بإعادة بناء قوية للصور حتى مع النقل الجزئي للبيانات.
صياغة MDP مع قيود واقعية: أول صياغة تأخذ في الاعتبار صراحةً تأخيرات التحكم والقيادة في الوصلة الهابطة والمفاضلة بين تحسين المسار وجودة استرداد البيانات الدلالية.
تحكم DDQN تكيفي: تطوير خوارزمية تعتمد على DDQN تتعلم الموازنة بين السرعة، التغطية، ووقت التحليق، متفوقة بذلك على الاستراتيجيات الثابتة أو الجشعة.

4. نتائج المحاكاة

تم اختبار إطار العمل في منطقة مساحتها $1000 \times 600$ متر مع 10 أجهزة إنترنت أشياء، ومقارنة نهج DDQN مع خطوط الأساس الجشعة (Greedy) (أقرب جار) ومسألة البائع المتجول (TSP).

الأداء مقابل عرض النطاق الترددي: حقق نهج DDQN متوسط PSNR أعلى عبر جميع عروض النطاق الترددي. عند انخفاض عرض النطاق، عانت خطوط الأساس بسبب محدودية نقل الرموز، بينما تكيف DDQN عبر تحسين وقت التحليق لتعظيم جمع الرموز.
الأداء مقابل السرعة:
- السرعة المنخفضة: فشلت خطوط الأساس في زيارة عدد كافٍ من الأجهزة.
- السرعة العالية: كانت خطوط الأساس تتحرك بسرعة كبيرة، مما تسبب في عمليات نقل غير مكتملة وإعادة بناء ضعيفة.
- DDQN: عدل السرعة ديناميكياً، حيث أبطأ بالقرب من الأجهزة لضمان التقاط بيانات عالية الجودة مع الحفاظ على تقدم المهمة.
تحليل المسار: على عكس المسارات الجامدة لـ TSP أو قصر نظر النهج الجشع، كان مسار DDQN ديناميكياً، مما سمح للطائرة بدون طيار بالبقاء استراتيجياً حول الأجهزة لتعظيم استرداد البيانات الدلالية.

5. الأهمية

يمثل هذا العمل خطوة هامة للأمام في شبكات 6G وشبكات إنترنت الأشياء المدعومة بالطائرات بدون طيار من خلال تحويل التركيز من النقل "المثالي للبتات" إلى استرداد المعلومات "ذات الصلة بالمهمة".

الكفاءة: يثبت أن الاتصال الدلالي يمكن أن يقلل بشكل كبير من متطلبات عرض النطاق الترددي مع الحفاظ على فائدة عالية (جودة الصورة).
المتانة: من خلال مراعاة تأخيرات التحكم والقيادة، تصبح سياسة التحكم المقترحة أكثر قابلية للتطبيق في النشر الواقعي حيث يكون زمن الانتقال أمراً حتمياً.
القابلية للتوسع: يوفر استخدام التعلم التعزيزي العميق حلاً قابلاً للتوسع للبيئات المعقدة والديناميكية حيث تجد طرق التحسين التقليدية (مثل التحسين المحدب) صعوبة في إيجاد الحلول المثلى عالمياً في الوقت الفعلي.

في الختام، تثبت هذه الورقة أن دمج الترميز الدلالي مع التحكم الذكي في المسار المدرك للتأخير يعزز بشكل كبير كفاءة وجودة جمع بيانات إنترنت الأشياء في شبكات الطائرات بدون طيار.