Marine Autonomous Vehicle Fleet Scheduling to Maximise Scientific Impact
تقترح هذه الورقة نموذج برمجة خطية مختلطة الأعداد قابلة للتوسع يعمل على تحسين جدولة أساطيل المركبات البحرية ذاتية القيادة من خلال دمج مسارات السفن التقليدية لتبديل البطاريات ودعم العبور، مما يؤدي إلى تعظيم جمع البيانات العلمية مع تقليل استخدام المركبات واستهلاك الطاقة إلى الحد الأدنى.
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
إن المحيط شاسع، ومظلم، وغير مبالٍ إلى حد كبير بالوجود البشري، ومع ذلك فهو يحمل مفاتيح فهم كوكبنا ومستقبله. ولفتح هذه الأسرار، يعتمد العلماء على تدفق مستمر من البيانات عالية الجودة المتعلقة بدرجة الحرارة، والملوحة، والتركيب الكيميائي. لعقود من الزمن، تطلب جمع هذه المعلومات سفن أبحاث ضخمة مأهولة تحرق كميات كبيرة من الوقود ولا يمكنها زيارة سوى عدد قليل من المواقع في المرة الواحدة. وفي السنوات الأخيرة، توجه المجتمع العلمي نحو بديل أكثر كفاءة: روبوتات صغيرة ذاتية القيادة تحت الماء. هذه الآلات، المعروفة باسم المركبات البحرية ذاتية القيادة، يمكنها السباحة لأسابيع أو أشهر، وجمع البيانات مع استهلاك جزء ضئيل من الطاقة التي تستهلكها السفينة التقليدية. ومع ذلك، مع نمو عدد هذه الروبوتات من مجرد حفنة إلى المئات، تبرز مشكلة جديدة. فمن الصعب رسم مسار يدوي لروبوت واحد؛ أما رسم التحركات المنسقة لأسطول، وضمان وصولهم إلى الأماكن الصحيحة في الأوقات الصحيحة دون نفاد الطاقة، فقد أصبح مهمة معقدة للغاية بحيث لا يستطيع المخططون البشريون حلها يدوياً.
لقد طور باحثون في "المسح البريطاني للقارة القطبية الجنوبية" نظاماً حاسوبياً جديداً صُمم لحل هذا اللغز اللوجستي. فقد أنشأوا أداة تخطيط متطورة تعمل بمثابة "دماغ مركزي" لإدارة أساطيل كبيرة من هذه المركبات ذاتية القيادة. وبدلاً من محاولة تخمين أفضل المسارات، يستخدم النظام نهجاً رياضياً صارماً لاختبار ملايين السيناريوهات الممكنة في ثوانٍ، ليجد الخطة الأفضل الوحيدة التي تزيد من كمية البيانات العلمية التي يتم جمعها مع استخدام أقل قدر من الموارد. يأخذ النظام في الاعتبار الحدود الواقعية الصارمة، مثل مقدار طاقة البطارية لكل مركبة، والوقت المستغرق للتنقل بين المواقع، والنوافذ الزمنية المحددة التي يجب فيها جمع البيانات. والأهم من ذلك، أن النموذج الجديد لا يتعامل مع هذه الروبوتات كوحدات معزولة؛ بل يأخذ أيضاً في الاعية وجود سفن الأبحاث التقليدية، مما يسم يسمح للروبوتات بالاستعانة بالسفينة للتنقل لمسافات طويلة بسرعة أو لتبديل بطارياتها في منتصف المهمة، مما يؤدي فعلياً إلى توسيع نطاق عملها إلى ما هو أبعد بكثير مما يمكنها تحقيقه بمفردها.
ولإثبات نجاح النظام، اختبره الباحثون مقابل أربعة سيناريوهات متميزة، تتراوح من مسح محلي صغير إلى عملية ضخمة عابرة للقارات. في الاختبار الأول، قاموا بمحاكاة عملية نشر حول "روتيرا"، وهي محطة أبحاث رئيسية في القارة القطبية الجنوبية. نجح النظام في تخطيط تحركات اثني عشر روبوتاً لتغطية أحد عشر مهمة علمية مختلفة. وكان ذكياً بما يكفي لإدراك أن أحد الروبوتات المتاحة لم يكن مطلوباً للمهمة، مقترحاً أن الفريق يمكنه تركه خلفه لتوفير التكاليف والمخاطر. وأظهرت الخطة أن الروبوتات ستقضي بعض الوقت في الانتظار بين المهام، وهي نتيجة طبيعية للجداول الزمنية الضيقة، لكن النظام ضمن إكمال كل مهمة مطلوبة.
قدم الاختبار الثاني تحدياً أكثر تعقيداً: عملية هجينة تشمل عمليات إطلاق من الشاطئ وسفينة أبحاث كبيرة تسافر عبر المياه النائية بين جورجيا الجنوبية وجزر فوكلاند. هنا، كانت المسافات كبيرة جداً لدرجة أن الروبوتات لم تستطع القيام بالرحلة باستخدام طاقة بطارياتها الخاصة. نجح النظام في تنسيق أسطول مكون من اثنين وعشرين مركبة، حيث وجه بعضها للصعود على متن السفينة لتبديل البطارية، ووجه آخرين لاستخدام السفينة كممر نقل سريع للوصو إلى محطات بعيدة. وعندما أجرى الباحثون نفس السيناريو بدون السفينة، فشلت الروبوتات في إكمال نصف المهام المطلوبة تقريباً، حتى مع بدء المهمة ببطاريات مشحونة بالكامل. وقد أكد هذا أن السفينة لم تكن مجرد وسيلة راحة، بل كانت مكوناً حاسماً جعل المهمة بأكملها ممكنة.
دفع السيناريو الثالث بالنظام إلى النطاق الوطني، حيث تمت محاكاة جهد منسق عبر المملكة المتحدة يشمل مائة روبوت من ثلاث منظمات علمية مختلفة. كانت هذه مهمة ضخمة، حيث تنطلق المركبات من موانئ مختلفة وتحتاج لتغطية سبعة عشر مسحاً مختلفاً. حل الكمبيوتر هذا اللغز المعقد في حوالي عشر دقائق، وهي مهمة قد تستغرق من المخططين البثريين أياماً أو أسابيع لمحاولتها. أظهرت الخطة الناتجة انتشار الأسطول عبر المحيط الأطلسي، مع توقيت تحركات بعض المركبات للالتقاء بالسفينة البحثية للعبور، بينما عادت مركبات أخرى بشكل مستقل. تمكن النظام من إتمام المهمة باستخدام عدد أقل من الروبوتات المتاحة، محدداً خمس مركبات كانت فائضة عن الحاجة.
أخيراً، اختبر الباحثون قدرة النظام على إدارة محفظة عالمية تضم سبع مهام مستقلة عبر أربع قارات، وتشارك فيها أكثر من مائة مركبة. أظهرت هذه المحاكاة كيف يمكن لأداة التخطيط نفسها التعامل مع مجموعة متنوعة من العمليات، من المياه الجليدية في جرينلاند إلى سواحل الأرجنتين. تتبع النظام الحركة الفعلية للمركبات أثناء شحنها أو نقلها بالشاحنات بين هذه المواقع العالمية المختلفة، مع إعادة استخدام نفس الأجهزة لحملات متعددة. وكشف التحليل أنه باستخدام هذا الأسطول من الروبوتات المدعوم بسفينة واحدة فقط للنقل بين المواقع، يمكن تقليل البصمة الكربونية للعملية بنحو 90% مقارنة باستخدام سفينة أبحاث تقليدية لإجراء المسوحات مباشرة.
يؤكد الباحثون أن هذه الأداة هي حالياً محاكاة مصممة لمساعدة المخططين على اتخاذ قرارات أفضل قبل إطلاق أي مركبة بالفعل. إنها ليست حلاً سحرياً يقضي على جميع حالات عدم اليقين، إذ لا تزال الظروف الواقعية مثل التيارات المتغيرة أو أعطال المعدات قادرة على تعطيل الخطة. ومع ذلك، يوفر النظام طريقة قوية لتصور سيناريوهات "ماذا لو"، مما يسمح للعلماء برؤية كيفية تأثير تغيير حجم البطارية أو إضافة روبوت جديد على قدرتهم على جمع البيانات. ومن خلال تحويل عملية التخطيط الفوضوية واليدوية إلى عملية آلية دقيقة، يفتح هذا العمل مساراً واضحاً لمستقبل علوم المحيطات، حيث يمكن لأساطيل من الآلات ذاتية القيادة أن تعمل معاً بسلاسة للكشف عن الأعمال الخفية لمحيطاتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.