Bio-Inspired Sparse Edge Inference with Martingale-Guaranteed Stability for UAV Neuro-Fuzzy Sliding Mode Control: An EKF–GNN–RL Framework
تقترح هذه الورقة إطار عمل للاستدلال الحافي المستوحى بيولوجياً للحواف في التحكم بالنمط الانزلاقي الضبابي العصبي للطائرات بدون طيار، والذي يدمج التنبؤ بمساحة الأوزان القائم على مرشح كالمان الموسع (EKF)، وشبكات الانتباه الرسومية، والتعلم المعزز المنظم بليابونوف ضمن نظرية ماريتنجال الموحدة لتحقيق ضمانات عشوائية صارمة، وتقليم للقواعد بنسبة 73%، وتحسين في قدرة التحمل في الطيران بنسبة 28.6% على أجهزة الحافة محدودة الموارد.
تخيل عالماً تكون فيه الروبوتات الطائرة الصغيرة هي الأبطال الخارقون الجدد، حيث تنتقل بسرعة لتوصيل الطرود، أو فحص الجسور، أو البحث عن ناجين في مناطق الكوارث. وللقيام بمهامها، تحتاج هذه الطائرات المسيرة إلى "أدمغة" يمكنها التفكير بسرعة والاستجابة فوراً لهبات الرياح، أو العوائق المفاجئة، أو التغيرات في الوزن. ولكن هناك عقبة: الأدمغة الأكثر قوة (خوارزميات الكمبيوتر المتقدمة) عادة ما تكون ثقيلة جداً وتستهلك الكثير من الكهرباء بحيث لا يمكن وضعها على طائرة مسيرة صغيرة؛ الأمر يشبه محاولة تشغيل حاسوب خارق داخل سيارة لعبة؛ ستتعطل السيارة ببساطة. لقد حاول العلماء بناء متحكمات "عصبية-ضبابية" (neuro-fuzzy) — وهي أنظمة هجينة تجمع بين قدرة التعلم للشبكات العصبية والقواعد المنطقية للمنطق الضبابي — لمساعدة الطائرات المسيرة على الطيران بسلاسة. ومع ذلك، غالباً ما تتعثر هذه الأنظمة بسبب كثرة القواعد، مما يجعلها بطيئة جداً للطيران في الوقت الفعلي. السؤال الكبير هو: كيف يمكننا جعل هذه المتحكمات الذكية سريعة وفعالة دون فقدان قدرتها على الحفاظ على استقرار وثبات الطائرة؟
تقدم هذه الورقة البحثية إطار عمل مبتكر يعمل بمثابة "مرشح ذكي" لدماغ الطائرة المسيرة، مما يسمه بالطيران بقواعد أقل مع البقاء مستقرة للغاية. يقترح المؤلفون، شو ليو، وهاو تشانغ، ومينفينغ تشانغ، نظاماً يستخدم مفهوماً رياضياً يسمى "المارتينجال" (martingale) (فكر فيه كلعبة عادلة لا يمكن التنبؤ بالحركة التالية من خلال الماضي) لضمان عدم تحطم الطائرة حتى عندما تتخذ قرارات سريعة. لقد بنوا إطار عمل يجمع بين أربع أدوات قوية: مرشح كالمان الموسع (EKF) الذي يتنبأ بالقواعد المطلوبة قبل استخدامها، وشبكة الانتباه الرسومي (GNN) التي تتعلم كيف تؤثر حركات الطائرة المختلفة (مثل الميل لليسار مقابل التحرك للأمام) على بعضها البعض، والتعلم المعزز (RL) الذي يضبط إعدادات المتحكم للبقاء آمناً، وحيلة "تكميم" (quantization) خاصة تقلص حجم البيانات لتناسب أجهزة الحافة (edge computers) الصغيرة.
الفكرة الجوهرية هي "الاستدلال المتناثر" (sparse inference)، وهي طريقة منمقة لقول "قم فقط بالعمل الذي يهم". تخيل جوقة مكونة من 25 مغنياً (قواعد ضبابية) يحاولون الغناء بتناغم. عادة، يغني الـ 25 جميعاً في وقت واحد، مما يجعل الصوت عالياً ومرهقاً. يعمل هذا النظام الجديد مثل قائد الأوركسترا الذي يستمع إلى الموسيقى ويقوم فوراً بإسكات الـ 17 مغنياً الذين ليسوا بحاجة إليهم للنوتة الحالية، مما يسم ي لـ 5 أو 6 فقط للغناء. تثبت الورقة رياضياً أنه حتى مع عدد أقل من المغنيين، تظل الأغنية مثالية. وفي عمليات المحاكاة والاختبارات الواقعية على طائرة مسيرة حقيقية، وجدوا أن هذه الطريقة قللت عدد القواعد النشطة بنسبة 73% (من 25 قاعدة إلى متوسط حوالي 6 أو 7 قواعد) مع فقدان ضئيل جداً في الدقة (أقل من 2%). طارت الطائرة بمتوسط سرعة اتخاذ قرار بلغ 4.2 ميلي ثانية واستهلكت 0.93 واط فقط من الطاقة على جهاز جيتسون أورين نانو (Jetson Orin Nano).
لم يكتفِ الباحثون بالتخمين بأن هذا سينجح، بل بنوا شبكة أمان باستخدام الرياضيات المتقدمة. لقد أثبتوا أن "الابتكار" (الفرق بين ما توقعته الطائرة وما حدث بالفعل) يتصرف مثل لعبة عادلة، مما يعني أن الأخطاء لا تتراكم بطريقة خطيرة. كما أظهروا أن وكيل التعلم المعزز الخاص بهم، الذي يضبط سلوك الطائرة، يحسن الاستقرار بطريقة رتيبة ومتوقعة. في الاختبارات الواقعية، تعاملت الطائرة مع هبات رياح تصل سرعتها إلى 10 م/ث، وحملت وزناً إضافياً (حتى 30% أكثر)، بل واستعادت السيطرة بعد فقدان إشارة الـ GPS. النتيجة؟ طارت الطائرة لفترة أطول بنسبة 28.6% في الشحنة الواحدة للبطارية مقارنة باستخدام النظام الكامل غير المختزل، ونجحت في 10 من أصل 10 مهام خارجية، بينما فشلت الأنظمة الأقدم والأثقل أكثر تكراراً.
تجادل الورقة صراحة ضد فكرة ضرورة إبقاء جميع القواعد الضبابية نشطة طوال الوقت للحفاظ على الاستقرار. فهم يظهرون أن إبقاء كل القواعد في وضع التشغيل هو هدر للطاقة وقوة المعالجة. كما يوضحون أن مجرد قطع القواعد دون ضمان سلامة رياضية هو أمر خطير؛ فطريقتهم فريدة لأنها توفر إثباتاً "مضموناً بالمارتينجال" (martingale-guaranteed) يضمن بقاء الطائرة مستقرة حتى أثناء تبديل القواعد بين التشغيل والإيقاف. وبينما تعد النتائج واعدة للغاية، يشير المؤلفون إلى أن النظام تم تدريبه في الغالب في بيئة محاكاة واختباره على نوع محدد من الطائرات رباعية المراوح (quadrotor)، لذا فإن الظروف القصوى مثل تراكم الجليد أو تسلسل فشل المستشعرات الكامل لم يتم قياسها بالكامل بعد. ومع ذلك، مع أكثر من 200 رحلة ناجحة واختبارات إحصائية صارمة أظهرت أن النتائج ذات دلالة (بقيمة p-value أقل من 0.01)، يوفر إطار العمل مساراً قوياً وفعالاً من حيث استهلاك الطاقة لجعل الطائرات المسيرة ذاتية القيادة أكثر ذكاءً وطولاً في مدة الطيران.
ملخص تقني: استدلال الحواف المتناثر المستوحى حيويًا مع استقرار مضمون بمارتينجال للتحكم في الوضع المنزلق العصبي-الضبابي للطائرات بدون طيار (UAV)
بيان المشكلة يواجه نشر أنظمة التحكم في الوضع المنزلق (SMC) العصبية-الضبابية المتقدمة على منصات الحافة (Edge) ذات الموارد المحدودة للطائرات بدون طيار (UAV) ثلاثية من المتطلبات المتنافسة: الكفاءة الحسابية، وضمانات الاستقرار الصورية، والمتانة تجاه عدم اليقين البيئي. وبينما توفر الأنظمة العصبية-الضبابية القدرة على التكيف مع الديناميكيات غير الخطية المجهولة، فإن التكلفة الحسابية لتقييم عدد كبير من القواعد الضبابية عند كل خطوة تحكم تعيق النشر في الوقت الفعلي على الأجهزة ذات استهلاك الطاقة وزمن الانتقال المحدود. علاوة على ذلك، غالبًا ما تفتقر تقنيات تقليم الشبكات العصبية الموجودة إلى إثباتات الاستقرار الصارمة عند تطبيقها على أنظمة التحكم، كما تعاني صياغات SMC التقليدية من ظاهرة الارتجاج (chattering) وتتطلب حدودًا دقيقة لعدم اليقين. ويكمن التحدي في تقليل الحمل الحسابي ديناميكيًا (التناثر/Sparsity) دون المساس بالاستقرار الصوري للنظام مغلق الحلقة تحت تأثير الاضطرابات العشوائية.
المنهجية يقترح المؤلفون إطار عمل موحد يدمج أربع آليات متكاملة لتحقيق استدلال حافة متناثر مع استقرار مضمون بمارتينجال (Martingale):
التنبؤ وتقليم مساحة الأوزان القائم على مرشح كالمان الموسع (EKF): تمت إعادة صياغة مرشح كالمان الموسع (EKF) من تقدير الحالة التقليدي إلى التنبؤ بمساحة الأوزان. فبدلاً من تقدير الحالات الخفية، يتنبأ الـ EKF باتجاهات تحديث الأوزان (Δw) لتحديد القواعد الضبابية غير النشطة. وقد تم إثبات أن تسلسل الابتكار لهذا الـ EKF يشكل "متتالية فرق مارتينجال" (MDS). وتعمل آلية التقليم الديناميكية على تنشيط القواعد التي يتجاوز مقدار تغير الوزن المتوقع وقوة الإطلاق فيها عتبات محددة فقط. وهذا يقلل مجموعة القواعد النشطة من N ثابت إلى مجموعة فرعية متناثرة ∣A(k)∣، مما يخفض التعقيد من O(Nm) إلى O(∣A(k)∣m).
شبكة الانتباه الرسومي (GAT) للربط الديناميكي: تعمل شبكة انتباه رسومي مكونة من 3 طبقات على نمذجة قنوات التحكم الست للطائرة بدون طيار كعقد في رسم بياني. تتعلم الـ GAT الربط الديناميكي بين القنوات المتغير زمنيًا عبر الإنترنت، مما يتكيف مع مراحل الطيران المختلفة (مثل التحليق مقابل المناورات العنيفة) والظروف البيئية. وهذا يحل محل مصفوفات الربط الثابتة، مما يقلل التداخل بين القنوات.
التعلم التعزيزي (RL) مع استقرار السوبر-مارتينجال (Supermartingale): يُستخدم تحسين السياسة القريبة (PPO) لضبط المعلمات (مثل مكاسب الوضع المنزلق). ولضمان الاستقرار، يتم تطبيق آلية تنظيم لايبونوف لما بعد السياسة: أي إجراء من إجراءات التعلم التعزيزي من شأنه أن يزيد من مشتق لايبونوف يتم رفضه أو تقليله. نظريًا، يضمن هذا أن تسلسل تكرار السياسة يشكل "سوبر-مارتينجال"، مما يضمن تحسن الاستقرار الرتيب في التوقع. ويتم فرض المتانة تجاه تغير التوزيع عبر قيود المتانة التوزيعية لـ "واسرشتاين" (Wasserstein).
الكمية الواعية للحافة بتنسيق INT8: يتضمن الإطار خط نشر كامل (PyTorch → ONNX → TensorRT INT8) محسن لمنصات NVIDIA Jetson. يضمن هذا استدلالًا بزمن انتقال منخفض مع الحفاظ على دقة التحكم.
المساهمات النظرية يؤسس البحث إطار عمل مارتينجال موحد يوفر ضمانات استقرار صورية:
خصائص المارتينجال: إثبات أن ابتكارات EKF تشكل MDS، وأن تكرار سياسة التعلم التعزيزي مع تنظيم لايبونوف يشكل "سوبر-مارتينجال".
حدود الخطأ: استخدام متباينة "أزوما-هوفدينج" (Azuma–Hoeffding) لاشتقاق حدود خطأ العينة المحدودة لأخطاء التقليم التراكمية، ومتباينة "دووب" القصوى (Doob's maximal inequality) للحد من أخطاء التتبع في أسوأ الحالات.
الاستقرار تحت التبديل: توسيع نظرية الأنظمة المبدلة الكلاسيكية عبر اشتقاق "نظرية الحد الأدنى لوقت المكوث" التي تدمض قيود اضطراب المارتينجال. يضمن هذا "الاستقرار النهائي الموحد" (UUB) حتى عندما تتغير مجموعة القواعد النشطة، بشرًا بشرط أن يلتزم تردد التبديل بحد أدنى من وقت المكوث المحسوب.
استقرار الكمية: إثبات أن النظام المكمم بتنسيق INT8 يحافظ على استقرار UUB مع تدهور محدود في حد الخطأ النهائي.
النتائج التجريبية تم التحقق من صحة الإطار من خلال 10,000 محاكاة مونت كارلو وأكثر من 200 رحلة خارجية حقيقية لطائرة رباعية المراوح مجهزة بجهاز Jetson Orin Nano.
الكفاءة: حققت الطريقة تقليلاً بنسبة 73% في القواعد الضبابية النشطة (بمتوسط 5.3–9.2 قاعدة نشطة من أصل 25) مع تدهور أقل من 2% في دقة التتبع.
زمن الانتقال والطاقة: بلغ متوسط زمن انتقال الاستدلال 4.2 مللي ثانية مع استهلاك طاقة قدره 0.93 واط، مما يلبي موعد دورة التحكم البالغ 5 مللي ثانية.
المتانة: أظهر النظام أداءً قويًا تحت هبات الرياح (0–10 م/ث)، وتغيرات الحمولة (±30%)، وفقدان إشارة GPS، والاختناق الحراري.
القدرة على التحمل: تحسنت قدرة التحمل في الطيران بنسبة 28.6% (18 دقيقة مقابل 14 دقيقة للاستدلال بدقة كاملة) بسبب تقليل الحمل الحسابي.
الدلالة الإحصائية: أكدت دراسات الاستئصال (Ablation studies) أن كل مكون (تقليم EKF، ربط GNN، ضبط RL) ساهم بشكل كبير في الأداء (p<0.01، مصححة بـ Bonferroni).
التعامل مع الفشل: نجحت بنية السلامة ذات الطبقات الخمس (بما في ذلك مراقبة لايبونوف وحراس الأجهزة/watchdogs) في التعامل مع حالات الفشل (مثل التغيرات المفاجئة في الحمولة، فقدان GPS) دون وقوع أي حالات فشل كارثية في أكثر من 200 رحلة.
الأهمية والادعاءات يزعم البحث أنه العمل الأول الذي يعالج في آن واحد ضغط مساحة الأوزان القائم على EKF مع ضمانات مارتينجال، والربط الدينماكي الموجه بـ GNN، والتعلم التعزيزي مع استقرار السوبر-مارتينجال، وتحليل وقت المكوث الصارم مع اضطرابات المارتينجال للتحكم في الوقت الفعلي للطائرات بدون طيار.
يؤكد المؤلفون أن الربط بين التنبؤ بالأوزان القائم على EKF ونظرية المارتينجال هو مساهمة نظرية جديدة، حيث يوفر إطارًا احتماليًا يوحد تحليل جودة التنبؤ، وحدود التتبع، وخطأ التقليم، وتقارب التعلم التعزيزي. وبخلاف تحليل لايبونوف الحتمي الذي يتطلب V˙≤0 في كل خطوة، فإن شرط السوبر-مارتينجال المقترح يسمح بزيادات مؤقتة في دالة لايبونوف طالما يمكن تعويضها في التوقع، مما يوفر ضمان استقرار أكثر عملية للأنظمة العشوائية محدودة الموارد. يعمل هذا العمل على سد الفجوة بين مبادئ الترميز المتناثر البيولوجي (التقليم المشبكي، التثبيط الجانبي) ونظرية التحكم الصورية، مما يتيح تحكمًا عصبيًا-ضبابيًا عالي الأداء على أجهزة الحافة.