Opportunities of Self Supervised Learning for GNSS: Evaluation of a Deep Learning-Enhanced PVT Algorithm
تقترح هذه الورقة خوارزمية PVT معززة بالتعلم العميق تجمع بين التنبؤ بتصحيح المدى الخاضع للإشراف والتدريب المسبق ذاتي الإشراف القائم على نموذج JEPA للتخفيف بفعالية من تداخل تعدد المسارات وتحسين دقة تحديد المواقع في البيئات الحضرية الكثيفة باستخدام بيانات GNSS غير المصنفة.
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 الأخاديد الكثيفة للمدن الحديثة، يعد العثور على الطريق باستخدام إشارة الأقمار الصناعية بمثابة لعبة أصداء. تعتمد الأنظمة العالمية للملاحة عبر الأقمار الصناعية (GNSS) على إشارات تسافر في خط مستقيم من الفضاء إلى جهاز استقبال على الأرض. ومع ذلك، عندما يكون جهاز الاستقبال محاطًا بمبانٍ شاهقة، فإن هذه الإشارات غالبًا ما ترتد عن الزجاج والخرسانة قبل وصولها. وهذا يخلق نسخة متأخرة من الإشارة الأصلية، وهي ظاهرة تُعرف باسم تداخل المسارات المتعددة (multipating interference). ويصاب جهاز الاستقبال بالارتباك بسبب وقت وصول هذه الأصداء، مما يجعله يحسب موقعًا غير دقيق تمامًا. وفي المناطق المفتوحة، يكون هذا الخطأ ضئيلاً، ولكن في مركز حضري مزدحم، يمكن أن يدفع نظام الملاحة بعيدًا عن الموقع الحقيقي بمئات الأمتار. وبالنسبة للمركبات ذاتية القيادة، أو طائرات التوصيل بدون طيار، أو حتى المشاة الذين يحاولون العثور على متجر معين، فإن عدم الدقة هذا يمثل عائقًا حرجًا. ولطالما كان التحدي يكمن في أن البيئة التي تسبب الخطأ تتغير باستمرار؛ فالمبنى الذي يحجب الإشارة اليوم قد يتغير غدًا، والطريقة التي ترتد بها الإشارة تعتمد على الشكل الفريد لمحيط جهاز الاستقبال.
لقك برع الباحثون في شركة "آبيا جي إن إس إس تكنولوجيز" (Abbia GNesses Technologies) في تولوز نهجًا جديدًا لحل هذه المشكلة من خلال تعليم الكمبيوتر التعرف على "البصمات" الدقيقة لأصداء هذه الإشارات. وبدلاً من الاعتماد فقط على نماذج الفيزياء المبرمجة مسبقًا، والتي غالبًا ما تفشل في استيعاب تعقيد المدينة الحقيقية، استخدموا نظام تعلم عميق للتعلم مباشرة من البيانات. ويتمثل جوهر ابتكارهم في طريقة تسمى "التعلم الخاضع للإشراف الذاتي" (self-supervised learning). في التعلم الآلي التقليدي، يتعلم الكمبيوتر من خلال عرض آلاف الأمثلة مع كتابة الإجابات الصحيحة مسبقًا، مثل صورة لشارع مقترنة بموقعه الدقيق. إن جمع هذا النوع من بيانات "الحقيقة الأرضية" (ground truth) للقيادة أمر صعب للغاية ومكلف، ويتطلب معدات مرجعية عالية الجودة وظروفًا مثالية. وقد أدرك الفريق أنه يمكنهم تجاوز هذا الاختناق من خلال ترك الكمبيوتر أولاً يدرس كميات هائلة من البيانات غير المصنفة — وهي تسجيلات لإشارات من أجهزة استقبال قياسية لا يُعرف موقعها. ومن خلال مطالبة النظام بالتنبؤ بالأجزاء المفقودة من أنماط هذه الإشارات، أجبروه على بناء فهم داخلي عميق لكيفية سلوك الإشارات في البيئات المختلفة، تمامًا مثل طالب يتعلم قواعد لغة ما من خلال قراءة آلاف الكتب قبل خوض أي اختبار.
ثم أخذ الباحثون هذا النظام المدرب مسبقًا وقاموا بضبطه بدقة باستخدام مجموعة أصغر من البيانات التي تُعرف مواقعها الصحيحة. وكانت النتيجة خوارزمية جديدة تعمل كمرشح ذكي لإشارات الأقمار الصناعية. فعندما يستقبل النظام إشارة، فإنه يحلل تسلسلًا من نقاط البيانات، بحثًا عن العلامات المحددة التي تشير إلى أن الإشارة قد ارتدت. ثم يتنبأ بشيئين لكل إشارة: تصحيح لتعديل قياس المسافة، ومقياس لمدى ثقته في هذا التنبؤ. هذا المخرج المزدوج أمر بالغ الأهمية؛ فإذا كان النظام غير متأكد، فإنه يقلل من وزن تلك الإشارة في الحساب النهائي، مما يمنع صدىً واحدًا سيئًا من إفساد تحديد الموقع بأكمله. ولاختبار ذلك، قاد الفريق سياراتهم عبر بيئات حضرية متنوعة في تولوز وطوكيو وهونغ كونغ، مغطين كل شيء من الشوارع العريضة إلى الشوارع الضيقة المليئة بالأشجار التي تلقي بظلال عميقة. وقارنوا طريقتهم الجديدة بتقنيات الملاحة القياسية، وبنسخة من خوارزميتهم الخاصة التي تم تدريبها فقط على البيانات المصنفة، متجاوزين مرحلة التعلم الخاضع للإشراف الذاتي الأولية.
كانت النتائج واضحة وهامة. ففي سيناريوهات القيادة المألوفة، حسنت الطريقة الجديدة من الدقة، لكن الاختراق الحقيقي ظهر في الظروف الأكثر قسوة وغير المتوقعة. فعندما واجه النظام بيئات حضرية لم يرها من قبل، ظل الإصدار المدرب باستخدام التعلم الخاضع للإشراف الذاتي موثوقًا، بينما عانى الإصدار القياسي. وأظهرت البيانات أن نهج التعلم الخاضع للإشراف الذاتي منع النظام من اتخاذ طرق مختصرة. فبدون التدريب المسبق الأولي، مال الكمبيوتر إلى الاعتماد بشكل مفرط على الأرقام الخام المباشرة التي تُعطى له، وهو ما نجح في الظروف السهلة ولكنه فشل عندما تتعرض تلك الأرقام للفساد بسبب التداخل الشديد. أما نموذج التعلم الخاضع للإشراف الذاتي، وبفضل تعلمه الأنماط الأوسع لسلوك الإشارات، فقد فهم السياق بشكل أفضل. لقد تعلم أن يثق في العلاقات المكانية بين الإشارات بدلاً من مجرد الأرقام الخام، مما سمح له بإجراء تصحيحات متماسكة حتى عندما يكون تقدير الموقع الأولي ضعيفًا.
كما نظر الباحثون داخل "دماغ" نظامهم لمعرفة كيفية اتخاذه لهذه القرارات. ووجدوا أن النموذج تعلم بشكل طبيعي تركيز انتباهه على أجزاء السماء حيث يُحتمل أن ترتد الإشارات عن الأرض أو المباني المنخفضة، بدلاً من السماء الصافية فوقه. وقد ظهر هذا الوعي المكاني دون إخباره صراحة بالنظر إلى هناك؛ فقد اكتشف النظام ذلك من تلقاء نفسه أثناء محاولة التنبؤ بالأجزاء المفقودة من بيانات الإشارة. وهذا يشير إلى أن الطريقة ليست مجرد حفظ لشوارع معينة، بل هي تعلم للفيزياء الأساسية لكيفية تفاعل الإشارات مع المدينة. وتخلص الدراسة إلى أنه من خلال استخدام الكم الهائل من البيانات غير المصنفة المتاحة من أجهزة الاستقبال القياسية، من الممكن بناء أنظمة ملاحة تتعمم بشكل أفضل بكثير في البيئات الجديدة والصعبة. ورغم أن العمل لا يدعي حل مشكلة الملاحة الحضرية بالكامل، إلا أنه يوضح مسارًا قويًا للمضي قدمًا: استخدام التعلم الخاضع للإشراف الذاتي لترسيخ الذكاء الاصطناعي في الواقع الفيزيائي لانتشار الإشارات، مما يخلق أنظمة قوية بما يكفي للتنقل في المدن المعقدة المليئة بالأصداء في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.