Flying by Inference: Active Inference World Models for Adaptive UAV Swarms
تقترح هذه الورقة إطار عمل للاستدلال النشط بتوجيه من الخبراء يحول تخطيط مسارات الطائرات بدون طيار متعددة من مشكلة تحسين توافقي إلى مهمة استدلال احتمالي هرمي، مما يمكّن الأسراب التكيفية من توليد سلوكيات سلسة ومدركة للتصادم عبر التعلم من عروض الخبراء وتقليل الانحراف عن التوزيعات المرجعية دون الحاجة لإعادة تشغيل المحسنات غير المتصلة بالإنترنت.
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 مدير لخدمة توصيل ضخمة وعالية السرعة تضم مئات الطائرات بدون طيار (الدرونز). مهمتك هي إخبارها إلى أين تذهب، وبأي ترتيب، وكيف تطير دون الاصطدام ببعضها البعض أو بالمباني. عادةً، القيام بهذه الحسابات لمئات الطائرات في وقت واحد يشبه محاولة حل لغز ضخم ومستحيل في كل مرة يصل فيها طرد جديد. إذا انتظرت لحل اللغز بأكمله، ستظل الطائرات متوقفة عن العمل. وإذا حاولت حل اللغز فوراً، قد ترتكب خطأً.
تقترح هذه الورقة البحثية طريقة أذكى لإدارة العرض. فبدلاً من حل اللغز الرياضي من الصرة في كل مرة، يتعلم النظام من "المخطط الرئيسي" (برنامج كمبيوتر خبير) ثم يستخدم تلك المعرفة لتقديم تخمينات ذكية وسريعة في الوقت الفعلي.
إليك كيف يعمل الأمر، مقسماً إلى أجزاء بسيطة:
1. "المخطط الرئيسي" والقواميس الثلاثة
أولاً، استخدم الباحثون برنامج كمبيوتر قوياً وبطيئاً (يسمى الخوارزمية الجينية) لحل مئات المهام المختلفة للطائرات بدون طيار بشكل مثالي. لم يكتفوا بحفظ مسارات الطيران فحسب؛ بل قاموا بتفكيك تلك الرحلات المثالية إلى ثلاثة "قواميس" أو كتب قواعد:
- قاموس المهمة: هذا يشبه قائمة رئيسية لكيفية تقسيم العمل. إذا كانت هناك 50 داراً للزيارة، فإن هذا القاموس يقول: "حسناً، الطائرة (أ) تأخذ الجانب الشمالي، والطائرة (ب) تأخذ الجانب الجنوبي". إنه يتعلم أفضل طريقة لتقسيم المهمة.
- قاموس المسار: بمجرد تقسيم العمل، يقرر هذا القاموس الترتيب. "الطائرة (أ)، زوري المنزل رقم 1، ثم المنزل رقم 3، ثم المنزل رقم 2". إنه يتعلم الدورات الأكثر كفاءة.
- قاموس الحركة: هذا هو التفصيل الدقيق. يصف كيفية الطيران بين المنازل. هل هي رحلة مباشرة؟ هل تحتاج إلى الإبطاء بسبب شجرة؟ هل تحتاج إلى الانحراف لتجنب طائرة أخرى؟ إنه يحول الفيزياء المعقدة إلى "كلمات حركية" بسيطة.
2. عقل "الاستدلال النشط" (Active Inference)
بمجرد تعلم هذه القواميس الثلاثة، لا تعود الطائرات بحاجة إلى "المخطط الرئيسي" البطيء. بل تستخدم عقلاً يسمى الاستدلال النشط.
فكر في هذا الأمر مثل محقق يحاول حل لغز. لدى المحقق "نظرية" حول كيفية عمل العالم (بناءً على قواميس المخطط الرئيسي). عندما ترى الطائرات شيئاً جديداً — مثل هدف مفاجئ جديد أو عائق متحرك — فإنها تسأل: "هل يتناسب هذا الوضع الجديد مع نظريتنا؟"
- مقياس "الغرابة": يقوم النظام بحساب مدى "غرابة" أو "عدم طبيعية" إجراء معين مقارنة بما كان سيفعله المخطط الرئيسي.
- القرار: إذا فكرت طائرة في مسار يبدو مختلفاً جداً عن قواعد الخبير، فإن مقياس "الغرابة" سيرتفع، وترفض الطائرة ذلك المسار. أما إذا بدا المسار مشابهاً جداً لقواعد الخبير، فإن المقياس يظل منخفضاً، وتتخذ الطائرة ذلك المسار.
هذا يسمح للسرب باتخاذ القرارات فوراً. إنهم لا يقومون بحسابات رياضية معقدة؛ هم فقط يتحققون من: "هل يبدو هذا كما يفعل المحترف؟"
3. التكيف مع التغييرات (خدعة "إعادة التخطيط")
ماذا يحدث إذا ظهر هدف جديد أثناء طيران الطائرات؟
- الطريقة القديمة: إيقاف كل شيء، وإعادة حساب اللغز بأك ফুল لجميع الطائرات، والبدء من جديد. (بطيئة جداً).
- طريقة هذه الورقة البحثية: ينظر النظام إلى الهدف الجديد ويسأل: "أي طائرة يجب أن تتولى هذا الهدف للحفاظ على انخفاض مستوى 'الغرابة'؟" ثم يسأل: "أين يجب أن تذهب هذه الوقفة الجديدة في قائمة تلك الطائرة الحالية؟" بعد ذلك، يعدل مسار الطيران قليلاً. الأمر يشبه قائد أوركسترا يعدل النوتة الموسيقية للأوركسترا أثناء العرض دون توقف الموسيقى.
4. "شبكة الأمان" (الفلاتر)
حتى مع وجود القواميس الذكية، فإن الحياة الواقعية فوضوية. المستشعرات قد تكون مشوشة، والرياح تهب. للتعامل مع هذا، يستخدم النظام مرشحات بايزية (مثل EKF و PF).
- التشبيه: تخيل أنك تقود سيارة في الضباب. أنت تعرف تخطيط الطريق (القاموس)، لكنك لا تستطيع الرؤية بشكل مثالي. المرشح يشبه مساعد طيار يقول لك: "أنت تعتقد أنك عند الزاوية، ولكن بناءً على سرعتك والضباب، أنت في الواقع على بُعد بضعة أقدام إلى اليسار".
- يستخدم النظام هذا "المساعد" لتصحيح موقع الطائرة الفعلي قبل اتخاذ القرار، مما يضمن عدم اصطدامها حتى لو كانت مستشعراتها غير دقيقة تماماً.
5. النتائج
اختبر الباحثون هذا النظام بطريقتين:
- المحاكاة: أجروا آلاف مهام الكمبيوتر. طار النظام الجديد بكفاءة تماثل "المخطط الرئيسي" البطيء، ولكنه كان أسرع بكثير في الاستجابة للتغييرات. كما طار بسلاسة وثبات أكبر بكثير من طرق التعلم الأخرى (مثل Q-learning)، والتي كانت تميل إلى أن تكون مضطربة وغير منتظمة.
- الرحلات الحقيقية: اختبروه باستخدام طائرات حقيقية يقودها بشر في الداخل. على الرغم من أن الطيارين البشر يرتكبون أخطاء ويطيرون بطرق متقطعة، استطاع النظام "تنظيف" البيانات. لقد استطاع النظر إلى طيران بشري فوضوي، وفهم المسار المقصود، وتصحيح توقعاته الخاصة للبقاء على المسار.
ملخص
باختختصار، تعلم هذه الورقة البحثية سرب الطائبات بدون طيار التعلم من خبير بدلاً من محاولة أن تكون عبقري رياضيات في كل ثانية. من خلال تقسيم المشكلة إلى ثلاثة مستويات (من يفعل ماذا؟ وبأي ترتيب؟ وكيف يطيرون؟) واستخدام "كاشف الغرابة" للبقاء على المسار، يمكن للطائرات التكيف مع المواقف الجديدة فوراً، والطيران بسلاسة، وتجنب الاصطدامات، وكل ذلك دون الحاجة إلى كمبيوتر خارق لحل اللغز بأكمله في كل مرة يظهر فيها هدف جديد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.