AI-Assisted ISAC Localization-as-a-Service for 6G UAV-IoT Networks
تقترح هذه الورقة البحثية إطار عمل AIRS-LaaS، وهو إطار ذكي عند الحافة يعمل على تحسين اختيار موارد الاستشعار والاتصالات المتكاملة (ISAC) في شبكات (UAV-IoT) لجيل السادس (6G) باستخدام الذكاء الاصطنا}{لترتيب وتفعيل مجموعة فرعية مدمجة فقط من أزواج حزم الإرسال والمرتكزات، مما يحقق توازناً بين دقة التحديد المكاني، وجودة الاتصال، والأعباء الإضافية للنظام.
تخيل عالماً لا يكتفي فيه هاتفك الذكي بالتحدث مع أبراج الاتصالات فحسب، بل "يشعر" أيضاً بمحيطه، تماماً مثل الخفاش الذي يستخدم تحديد الموقع بالصدى للتنقل في الكهف. هذا هو الوعد الذي تقدمه تقنية الجيل السادس (6G)، الجيل القادم من الشبكات اللاسلكية. فخلافاً لأنظمة اليوم التي تعامل التواصل (الاتصال) والاستشعار (تحديد مواقع الأجسام) كوظيفتين منفصلتين، تهدف تقنية الـ 6G إلى دمجهم في أداة واحدة فائقة القوة تسمى التواصل والاستشعار المتكامل (ISAC). فكر في الأمر كأنها موجة راديو واحدة يمكنها إرسال رسالة نصية وقياس مكانك بدقة في آن واحد.
الآن، تخيل مدينة مزدحمة مليئة بالطائرات بدون طيار (UAVs) والمستشعرات الأرضية، وكلها تحاول المساعدة في تحديد مواقع الأجهزة لكل شيء، بدءاً من عمليات الإنقاذ في حالات الطوارئ وصولاً إلى الزراعة الدقيقة. هذه هي شبكة UAV-IoT. ما هو التحدي؟ إذا قمت بتشغيل كل طائرة بدون طيار وكل شعاع مستشعر في وقت واحد للعثور على جهاز مفقود، فستتسبب في ازدحام مروري هائل. هذا يهدر البطارية، ويسد الموجات الهوائية بالكثير من البيانات، ويستغرق وقتاً طويلاً لتنظيم الأمور. السؤال الكبير الذي يطرحه العلماء هو: كيف نختار مجرد حفنة مختارة من المساعدين للقيام بالمهمة بسرعة ودقة، دون تحويل الشبكة بأكملها إلى فوضى عارمة؟
هذا هو بالضبط ما تعالجه الورقة البحثية بعنوان "Localization-as-a-Service المدعوم بالذكاء الاصطناعي لشبكات 6G من نوع ISAC و UAV-IoT". يقترح المؤلف، بقيادة روح الأمين خليل، نظاماً ذكياً يسمى AIRS-LaaS. فبدلاً من إيقاظ كل طائرة بدون طيار ومستشعر في الحي، يستخدم هذا النظام "عقلاً" خفيف الوزن (ذكاء اصطناعي) يقع عند حافة الشبكة ليعمل مثل دليل سياحي بارع. قبل أن يبدأ البحث الفعلي عن الموقع، يقوم هذا الدليل بمراجعة قائمة بجميع أزواج الطائرات والمستشعرات الممكنة ويقوم بترتيبها. ويتساءل: "أي منها لديه خط رؤية واضح؟ أي منها لديه إشارة قوية؟ أي منها آمن من حركة المرور؟ وأيها لن يستنزف بطاريتنا؟"
تحاكي الورقة هذا السيناريو في مدينة افتراضية ثلاثية الأبعاد تضم 100 جهاز، وأربع طائرات بدون طيار، وأربع محطات أرضية. وتظهر النتائج أن نظام AIRS-LaaS يشبه طاهياً ماهراً يعرف بالضبط المكونات التي يجب استخدامها. فبينما تحقق طريقة "المرساة الشاملة" (استخدام كل مستشعر) أعلى دقة في تحديد الموقع، إلا أنها تشبه محاولة طهي وجبة عن طريق إلقاء محتويات خزانة الطعام بأكملها في القدر—الأمر مسرف وفوضوي. ومن ناحية أخرى، فإن الطرق البسيطة مثل اختيار أقرب مستشعر أو المستشعر صاحب الإشارة الأقوى غالباً ما تفشل لأنها تغفل عن الصورة الكبيرة (مثل كون تلك الإشارة القوية ترتد في الواقع عن مبنى، مما يعطي موقعاً زائفاً).
تجد الدراسة أن AIRS-LaaS يحقق توازناً مثالياً. فمن خلال تفعيل مجموعة فرعية مدمجة وعالية الجودة من "المراسي"، فإنه يحقق دقة تقارب تلك التي يوفرها استخدام كل شيء، ولكن بإنفاق أقل بكثير من الطاقة والتأخير. لقد نجح في تجنب عثرات الاختيار "الأعمى"، مما يثبت أن الاختيار الذكي المدعوم بالذكاء الاصطناً للمساعدين أفضل بكثير من مجرد استخدام الأقوى أو الأقرب. وتشير الورقة إلى أن هذا النهج يمكن أن يصبح طريقة قياسية لإدارة شبكات الجيل السادس المستقبلية، مما يضمن بقاء عالمنا الرقمي متصلاً، وواعياً، وفعالاً دون استنزاف مصادر طاقته.
ملخص تقني: تحديد الموقع بمساعدة الذكاء الاصطناعي كخدمة (LaaS) عبر تقنية التكامل بين الاستشعار والاتصالات (ISAC) لشبكات الجيل السادس (6G) المعتمدة على الطائرات بدون طيار وإنترنت الأشياء (UAV-IoT)
بيان المشكلة في شبكات إنترنت الأشياء المدعومة بالطائرات بدون طيار (UAV) للجيل السادس (6G)، يوفر التكامل بين الاستشعار والاتصالات (ISAC) مساراً لتوفير خدمة تحديد الموقع كخدمة (LaaS) موثوقة. ومع ذلك، يوجد تحدٍ حرج يتعلق باختيار الموارد: إذ يؤدي تفعيل جميع المراسي (anchors) الجوية والأرضية وحزمها التوجيهية المتاحة لتعظيم دقة تحديد الموقع إلى إفراط في تكاليف الإشارات المرجعية (pilot overhead)، وزمن انتقال تدريب الحزم، واستهلاك الطاقة، والتداخل. وفي المقابل، غالباً ما تفشل استراتيجيات الاختيار البسيطة (مثل اختيار أقرب المراسي أو تلك التي تمتلك أقوى نسبة إشارة إلى تداخل وضجيج (SINR)) في مراعاة المتطلبات المشتركة للموثوقية في الاتصالات، وثقة الاستشعار، والتنوع الهندسي، ومخاطر الحركة، لا سيما في بيئات عدم وجود خط بصر (NLoS) الديناميكية. وتفترض الورقة أن إطار عمل عملي لخدمة (LaS) في الجيل السادس يجب أن يختار بذكاء مجموعة فرعية مدمجة من أزواج (المرسى–الحزمة) قبل عملية تحديد الموقع لتحقيق التوازن بين الدقة وكفاءة الموارد.
المنهجية: إطار عمل AIRS-LaaS تقترح الورقة إطار عمل AIRS-LaaS (اختيار موارد ISAC بمساعدة الذكاء الاصطناعي لتحديد الموقع كخدمة)، وهو إطار عمل ذكي عند الحافة مصمم لتصنيف واختيار أزواج المرساة والحزم المرشحة. تعمل المنهجية من خلال المراحل التالية:
نموذج النظام: تتكون الشبكة من مراسي طائرات بدون طيار، ومراسي أرضية (محطات قاعدة، وحدات جانب الطريق)، وأهداف إنترنت الأشياء. يستخدم كل مرسى مجموعة أكواد للحزم التوجيهية. ويقوم النظام بنمذجة الرابط بين المرساة والهدف باستخدام متجه سمات يتضمن جودة الاتصال (SINR)، وثقة الاستشعار، واحتمالية خط البصر (LoS) المتوقعة، والمساهمة الهندسية، ومخاطر عدم محاذاة الحزمة/الحركة، وتكلفة الموارد.
التسجيل بمساعدة الذكاء الاصطناعي: يستخدم متحكم الحافة (الموجود في محطة قاعدة أو عقدة حافة متنقلة) طبقة تسجيل ذكاء اصطناعي خفيفة الوزن. وبدلاً من التنبؤ بقيم القنوات الخام، يتعلم الذكاء الاصطناعي رسم الخرائط من السمات الملحوظة إلى درجة المنفعة (η).
دالة التسجيل هي مجموع أوزان موزونة ومعيرة: تُطبق أوزان إيجابية على SINR، وثقة الاستشعار، واحتمالية LoS، والمساهمة الهندسية؛ بينما تُطبق أوزان سلبية على مخاطر الحركة وتكلفة الموارد.
بالنسبة للنتائج المسجلة، تم استخدام نموذج تعزيز التدرج الخفيف (100 شجرة ضحلة)، الذي تم تدريبه خارجياً (offline) على ملاحظات الروابط بطريقة مونت كارلو لمعايرة هذه الأوزان بناءً على بقايا تحديد الموقع وحالات الانقطاع.
خوارزمية الاختيار: تقوم الخوارزمية بتصنيف المرشحين حسب درجة المنفعة الخاصة بهم. وهي تستخدم عملية اختيار جشعة تخضع لقيود:
التصفية: يتم استبعاد المرشحين الذين يفشلون في تحقيق الحد الأدنى من عتبات SINR وثقة الاستشعار.
التصنيف والتفعيل: يتم ترتيب المرشحين المتبقين حسب درجة المنفعة. وتختار الخوارزمية بشكل تكراري الأزواج حتى الوصول إلى ميزانية الإشارات/الطاقة (Cmax).
فحص التنوع: لمنع التكرار الهندسي، لا يتم قبول المرشح إلا إذا قدم ربحاً تراكمياً في مصفوفة معلومات فيشر (FIM)، مما يضمن التنوع المكاني.
تحديد الموقع والتغذية الراجعة: بمجرد اختيار المجموعة الفرعية، يقوم محرك تحديد موقع قياسي (مثل المربعات الصغرى الموزونة أو القياس متعدد الأبعاد) بتقدير موقع الهدف. ويقوم النظام بتحديث إحصائيات الرابط بناءً على بقايا تحديد الموقع والتغذية الراجعة، مع وجود آلية احتياطية للعودة إلى قواعد الاختيار التقليدية في حال فشل استدلال الذكاء الاصطناعي أو تجاوز ميزانيات زمن الانتقال.
المساهمات الرئيسية تحدد الورقة أربع مساهمات رئيسية:
نمذجة النظام: تقديم نموذج نظام ISAC ثلاثي الأبعاد للطائرات بدون طيار وإنترنت الأشياء يدمج المراسي الجوية والأرضية مع روابط استشعار واعية بالاتصالات.
تطوير الخوارزمية: تطوير خوارزمية خفيفة الوزن لاختيار المرساة والحزمة بمساعدة الذكاء الاصطناعي توازن بين دقة تحديد الموقع، وتكاليف الإشارات المرجعية، واستهلاك الطاقة.
التقييم الشامل: تقييم إطار العمل مقابل خمسة نماذج أساسية: اختيار جميع المراسي، و(FIM/CRLB-greedy)، وأقوى SINR، وأقرب مرساة، والاختيار العشوائي، وذلك في ظل ظروف LoS وNLoS مع حركة الطائرات بدون طيار.
مناقشة التقييس: تحليل آثار إطار العمل على معايير 3GPP وETSI، بما في ذلك تقارير ISAC، ومؤشرات ثقة تحديد الموقع، وإدارة دورة حياة نماذج الذكاء الاصطناعي، وتبادل البيانات المراعي للخصوصية.
النتائج أظهرت نتائج المحاكاة في سيناريو حضري-ضواحي ثلاثي الأبعاد (تردد 28 جيجاهرتز، عرض نطاق 100 ميجاهرتز) ما يلي:
دقة تحديد الموقع: يحقق AIRS-LaaS احتمالات انقطاع في تحديد الموقع قريبة من نموذج "جميع المراسي" الأساسي (الذي يستخدم جميع الموارد المتاحة) مع تفعيل عدد أقل بكثير من أزواج (المرساة–الحزمة).
موثوقية الاتصالات: بينما يقلل نموذج "أقوى SINR" من انقطاع الاتصال، يحافظ AIRS-LaaS على موثوقية اتصال قريبة من هذا المعيار مع ضمان دقة تحديد الموقع في الوقت ذاته.
المتانة: في ظل زيادة احتمالات NLoS وحركة الطائرات بدون طيار، يتفوق AIRS-LaaS على النماذج الأساسية التي تعتمد على مقاييس مفردة (مثل المسافة أو SINR) أو الهندسة البحتة (FIM-greedy). وقد ثبت أن تضمين احتمالية LoS وثقة الاستشمار في دالة التسجيل أمر بالغ الأهمية للمتانة.
المفاضلة: نجح إطار العمل في تحديد "النقطة المثالية" حيث يتم الحفاظ على دقة تحديد الموقع، ولكن مع تقليل تكاليف الإشارات المرجعية، وتأخير تدريب الحزم، واستهلاك الطاقة بشكل كبير مقارنة بتفعيل جميع المراسي.
دراسة الاستئصال (Ablation Study): أدى حذف سمات فردية من دالة التسجيل (مثل إزالة SINR أو احتمالية LoS) إلى تدهورات محددة في موثوقية الاتصالات أو متانة تحديد الموقع، مما يؤكد ضرورة النهج متعدد السمات.
الأهمية والادعاءات تدعي الورقة أن AIRS-LaaS يوفر مفاضلة متوازنة بين تحديد الموقع والاتصالات والتكالب الإضافية وهي ضرورية لنشر تقنيات الجيل السادس (6G) العملية المعتمدة على الطائرات بدون طيار وإنترنت الأشياء. وتكمن أهميته في تحويل التركيز من التحسين ما بعد القياس إلى اختيار موارد ما قبل تحديد الموقع. ومن خلال معاملة تحديد الموقع كخدمة أصلية في الشبكة مدعومة بذكاء الحافة، يتيح إطار العمل:
الكفاءة: تقليل الإشارات غير الضرورية واستخدام الطاقة دون التضحية بجودة الخدمة.
القابلية للتكيف: القدرة على التعامل مع البيئات الديناميكية حيث يختلف "أفضل" مرسى للاتصالات عن "أفضل" مرسى لهندسة تحديد الموقع.
الجاهزية للتقييس: يتوافق إطار العمل مع متطلبات 3GPP وETSI الناشئة للذكاء الاصطناğu/التعلم الآلي في الأنظمة اللاسلكية، باستخدام مؤشرات أداء رئيسية (KPIs) قابلة للقياس ودعم مراقبة النماذج، وعمليات التراجع (fallback)، وتبادل البيانات المراعي للخصوصية.
وتخلص المؤلفة إلى أن اختيار موارد ISAC بمساعدة الذكاء الاصطناعي هو مسار قابل للتطبيق نحو خدمات تحديد موقع فعالة، وقابلة للتشغيل البيني، وواعية بالخدمة، لا سيما في السيناريوهات التي تمنع فيها قيود الموارد وظروف القنوات الديناميكية استخدام جميع موارد الشبكة المتاحة.