AERIS: Offline Policy Improvement for Multi-UAV Integrated Sensing and Communication
تقترح هذه الورقة إطار عمل AERIS لتحسين السياسات غير المتصل بالإنترنت، والذي يتميز بخوارزمية STAR-CRDT، مما يتيح تحكماً آمناً وفعالاً في الاستشعار والاتصالات المتكاملة لعدة طائرات بدون طيار من خلال التعلم من سجلات الطيران التاريخية لتعزيز مقاييس الأداء بشكل كبير مع القضاء على استكشاف التجربة والخطأ المحفوف بالمخاطر عبر الإنترنت.
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
في المستقبل القريب، لن تكتفي الشبكات اللاسلكية التي تربط أجهزتنا بنقل البيانات فحسب، بل ستعمل أيضاً كأعين وآذان للعالم المادي. هذا المفهوم الناشئ، المعروف باسم "الاستشعار والاتصال المتكامل"، يتصور نظاماً واحداً يمكنه التحدث إلى هاتفك بينما يقوم في الوقت نفسه برسم خرائط لمحيطه، ورصد الأجسام المتحركة، ومراقبة البيئة. وعندما تُضاف الطائرات بدون طيار، أو ما يعرف بالدرونز، إلى هذا المزيج، تتوسع الاحتمالات بشكل كبير. فهذه الآلات الطائرة يمكنها التحليق فوق المناطق التي لا تستطيع الأبراج الأرضية الوصول إليها، مما يخلق خطوط رؤية واضحة للمستخدمين والأهداف. ومع ذلك، فإن التحكم في أسطول من الدرونز لأداء كلا المهمتين في آن واحد يمثل تحدياً هائلاً؛ إذ يجب على الدرونز تعديل مواقعها واتجاه إشاراتها باستمرار للحفاظ على اتصالات إنترنت عالية السرعة واستشعار دقيق، كل ذلك مع تجنب الاصطدام ببعضها البعض وضمان عدم فقدان تتبع الأجسام التي تراقبها. ولأن البيئة غير متوقعة والأهداف تتحرك عشوائياً، فإن إيجاد مسار طيران مثالي لكل درون في الوقت الفعلي هو أمر صعب للغاية ومكلف حاسوبياً.
لقد لجأ الباحثون إلى الذكاء الاصطناعي لحل هذه المعضلة، وتحديداً طريقة تسمى "التعلم التعزيزي"، حيث يتعلم برنامج الكمبيوتر من خلال التجربة والخطأ. في سيناريو التعلم عبر الإنترنت التقليدي، سيتعين على النظام إرسال الدرونز للطيران، وارتكاب الأخطاء، والتعلم من العواقب. ولكن في العالم الحقيقي، تعتبر رحلات التجربة والخطأ هذه خطيرة؛ فالدرون الذي لا يزال في مرحلة التعلم قد يطير بالقرب من درون آخر، أو يصطدم، أو يوجه مستشعراته في الاتجاه الخاطئ، مما يتسبب في فقدان بيانات حيوية. ولتجنب هذه المخاطر، اقترح فريق من الباحثين من جامعات في الصين وكندا نهجاً جديداً يسمى "AERIS". فبدلاً من ترك الدرونز تتعلم من خلال الطيران في العالم الحقيقي، يتعلم هذا النظام بالكامل من مجموعة ثابتة من سجلات الطيران السابقة. الأمر يشبه طياراً يدرس سجل الرحلات الجوية السابقة ليصبح أفضل، بدلاً من التعلم عن طريق تحطم الطائرة. كان الهدف هو إنشاء نظام يمكنه أخذ سجلات الطيران الموجودة وغير المثالية هذه وتحسين اتخاذ القرار لدى الدرونز دون الحاجة أبداً إلى إجراء رحلة اختبار خطيرة.
كانت المشكلة الجوهرية التي واجهها الباحثون هي أنه بينما يمكن لحاسوب مركزي رؤية الصورة الكاملة لما تفعله جميع الدرونز، فإن كل درون على حدة لا يعرف سوى تاريخه المحلي فقط. فإذا حاول الدرون تغيير سلوكه بناءً على ما يراه محلياً فقط، فقد يتخذ خطوة تبدو جيدة لنفسه ولكنها سيئة للفريق بأكمله. وعلى العكس من ذلك، إذا حاول النظام أن يكون عدوانياً للغاية في تصحيح أفعال الدرونز بناءً على نصيحة حاسوب مركزي، فقد يقترح تحركات مختلفة تماماً عن البيانات الماضية، مما يجعل النظام غير موثوق وغير آمن. وجد الباحثون أن الأساليب الحالية غالباً ما تقع في أحد فخين: إما التمسك الشديد بالسجلات القديمة غير المثالية والفشل في التحسن، أو الابتعاد كثيراً نحو مناطق مجهولة، مما يؤدي إلى أخطاء خطيرة.
ولحل ذلك، طور الفريق خوارزمية محددة تسمى "STAR-CRDT". تعمل هذه الطريقة من خلال جعل حاسوب مركزي يقيم التغييرات المحتملة لمسار طيران الدرون باستخدام المعلومات العالمية من السجلات الماضية. ومع ذلك، فهو لا يقبل كل اقتراح بشكل أعمى؛ بل يعمل كمعلم حذر، حيث يبحث عن تعديلات صغيرة وآمنة لأفعال الدرون من شأنها تحسين الأداء العام للأسطول. وهو لا يقبل هذه التعديلات إلا إذا كانت قريبة بما يكفي من السلوكيات المسجلة والآمنة لتكون موثوقة، وفي الوقت نفسه بعيدة بما يكفي لتقديم تحسن حقيقي. تضمن هذه العملية تعلم الدرونز لتصبح أفضل دون نسيان قيود السلامة التي منعتها من الاصطدام في المقام الأول. تم تصميم النظام بحيث يتم "التفكير الثقيل" خلال مرحلة التدريب باستخدام البيانات القديمة، والنتي نتيجة النهائية هي مجموعة من القواعد المحلية البسيطة التي يمكن لكل درون اتباعها بمفرده في الوقت الفعلي.
عندما اختبر الباحثون هذا الإطار الجديد، كانت النتائج كبيرة. ففي عمليات محاكاة تضمنت عدة درونز تطير فوق مسارات عشوائية، حسن النظام الجديد الأداء العام للأسطول بنسبة تقارب ثلاثين بالمائة مقارم بأفضل الأساليب الموجودة. والأهم من ذلك، حقق ذلك مع تقليل عدد المواقف الخطرة بشكل كبير؛ حيث رفع النظام معدل نجاح استشعار الأهداف بنسبة خمسة بالمائة تقريباً وقلل من خطر الاصطدام بأكثر من النصف. كما تمكن من الحفاظ على جودة الاتصال عالية، مما يضمن قدرة الدرونز على التواصل مع بعضها البعض ومع المستخدمين الأرضيين بفعالية. ولعل الأمر الأكثر إثارة للإعجاب هو أن الباحثين اختبروا الدرونز المدربة على خرائط جديدة تماماً تعتمد على شوارع مدن حقيقية، لم يسبق للنظام رؤيتها من قبل. وحتى في هذه البيئات غير المألوفة، كان أداء الدرونز أفضل من أي طريقة أخرى، حيث نجحت في التنقل عبر المخططات الحضرية المعقدة مع الحفاظ على السلامة وجودة الخدمة.
تثبت الدراسة أنه من الممكن إنشاء شبكات درونز فعالة وآمنة ومتعاونة دون الحاجة إلى تجارب خطيرة في العالم الحقيقي. فمن خلال التعلم من السجلات الثابتة للرحلات السابقة وباستخدام طريقة دقيقة قائمة على الثقة لتنقيح تلك الدروس، أظهر الباحثون أنه يمكن جعل الذكاء الاصطناعي قوياً وموثوقاً في آن واحد. يقدم هذا النهج مساراً عملياً لنشر شبكات الاستشعار والاتصال المتقدمة في العالم الحقيقي، حيث تكون السلامة والموثوقية أمراً بالغ الأهمية. وتشير النتائج إلى أنه مع استراتيجية التدريب الصحيحة، يمكن للأنظمة المستقلة أن تتعلم التعامل مع البيئات المعقدة والديناميكية بفعالية، محولةً الفوضى المحتملة لعدة درونز متحركة إلى عملية منسقة وفعالة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.