A Unified Two-Phase Motion Regime-Aware Hybrid Multi-Sensor Data Fusion Framework for Navigation of Intelligent Systems

تخيل أنك قبطان سفينة فضاء تبحر عبر حقل كويكبات ضبابي كثيف. لا يمكنك رؤية الكويكبات بوضوح، لذا تعتمد على حفنة من الأجهزة: بوصلة تشير إلى نجم بعيد (نظام تحديد المواقع العالمي - GPS)، ومقياس اهتزاز يشعر بمدى قوة الدفع التي تتعرض لها (وحدة القياس بالقصور الذاتي - IMU)، ورادار يعكس الإشارات عن الصخور القريبة (الرادار). المشكلة هي أن لا أحد من هذه الأجهزة مثالي؛ فالبوصلة قد تكذب أحياناً، ومقياس الاهتزاز قد يرتبك عندما تتوقف عن الحركة، والرادار قد يكون متقطعاً. لكي تظل آمناً، تحتاج إلى مساعد طيار ذكي يمكنه الاستماع إلى الثلاثة جميعاً، وفهم ما يحدث، وتعديل مدى ثقته في كل جهاز فوراً. هذا هو عالم دمج بيانات المستشعرات المتعددة، وهو مجال مخصص لمساعدة الروبوتات والسيارات ذاتية القيادة في إيجاد طريقها من خلال الجمع بين أنواع مختلفة من البيانات.

لفترة طويلة، كان لهؤلاء المساعدين الأذكياء عيبان رئيسيان. أولاً، كانوا مثل سائق لا يغير أسلوب قيادته أبداً: يستخدمون نفس "إعدادات الثقة" لأجهزتهم سواء كانت السيارة متوقفة، أو مسرعة على طريق سريع، أو تقوم بانعطاف حاد. ثانياً، كانوا يعاملون "فهم ما تفعله السيارة" و"حساب مكان السيارة" كمهمتين منفصلتين لا تتواصلان أبداً. إذا بدأت السيارة في الانعطاف، فإن نظام الملاحة لا يعرف ذلك إلا بعد فوات الأوان، مما يؤدي إلى الارتباك والأخطاء. تقدم هذه الورقة البحثية نظاماً موحداً جديداً يعالج كلا المشكلتين، مما يسمح لعقل الملاحة بالتعرف فوراً على وضع القيادة وتعديل ثقته في المستشعرات وفقاً لذلك، مع الحماية أيضاً من المتسللين الذين قد يحاولون خداع نظام الـ GPS.

---

العقل الخارق ذو المرحلتين

يقترح المؤلفان، غنانا سري سيندو بوبانا وشوو وو من جامعة ولاية كاليفورنيا، فريسنو، "إطار عمل هجين لدمج بيانات المستشعرات المتعددة هجين، مدرك لنظام الحركة، وموحد في مرحلتين". هذا الاسم طويل جداً، لذا دعونا نفككه إلى قصة عن محقق وطيار يعملان معاً.

المرحلة الأولى: المحقق (تصنيف الحركة)

أولاً، يحتاج النظام إلى معرفة ما تفعله السيارة الآن. هل هي متوقفة (عند إشارة حمراء)، أم تسير بسرعة ثابتة (تقود في خط مستقيم على الطريق)، أم تنحرف (تنعطف في منحنى)؟

في الماضي، ربما كانت الأنظمة تخمن ذلك بناءً على السرعة وحدها، لكن هذه الورقة تستخدم نهجاً "عصبياً" ذكياً. فكر في الأمر كأنك محقق ينظر إلى كومة من الأدلة (بيانات من الـ IMU، والـ GPS، والرادار) ويصنفها في نمط معين.

1. جمع الأدلة: يأخذ النظام لقطة صغيرة لحركة السيارة كل بضع ثوانٍ. ويحسب إحصائيات مثل متوسط السرعة، ومدى تذبذب السرعة، ونطاق الحركة.
2. اختيار أفضل الأدلة: ليست كل الأدلة مفيدة. يستخدم النظام طريقة "تعزيز التدرج" (نوع من خوارزميات التصنيف الذكية) لاختيار أهم 25 دليلاً من بين 66 احتمالاً.
3. النمط الثنائي: يتم تحويل هذه الأدلة الـ 25 إلى نمط بسيط من (+1) و (-1)، مثل صورة صغيرة بالأبيض والأسود.
4. شبكة هوبفيلد (Hopfield Network): يتم تغذية هذا النمط في شبكة عصبية خاصة تسمى شبكة هوبفيلد. تخيل هذه الشبكة كمكتبة تحتوي على ثلاثة "أنماط ذاكرة" (واحد للتوقف، واحد للسرعة الثابتة، وواحد للانعطاف). عندما يصل نمط جديد، تحاول الشبكة "استدعاء" أي نمط تطابق بشكل أفضل، تماماً كما يتعرف عقلك على وجه ما حتى لو كانت الإضاءة مختلفة.

النتيجة؟ يحدد النظام حركة السيارة بشكل صحيح بنسبة 99.1%. إنه بارع لدرجة أنه يتفوق حتى على دراسة شهيرة سابقة كانت تعمل فقط في مختبر محكوم مع نوعين فقط من الحركة.

المرحلة الثانية: الطيار (الملاحة التكيفية)

بمجرد أن يصرخ "المحقق" (المرحلة 1): "نحن ننحرف!"، يتم تمرير هذه المعلومة فوراً إلى "الطيار" (المرحلة 2).

مهمة الطيار هي حساب موقع السيارة بدقة. يستخدم مرشح كالمان (Kalman Filter)، وهو أداة رياضية تمزج بيانات المستشعرات لتقدير مكانك. المشكلة في مرشحات كالمان القديمة هي أنها جامدة؛ فهي تفترض أن الضجيج (الأخطاء) في المستشعرات ثابت دائماً. لكن المستشعر الذي يكون مليئاً بالضجيج عندما تكون السيارة متوقفة قد يكون هادئاً جداً عندما تسير السيارة بسرعة ثابتة.

هنا يكمن الابتكار الكبير للورقة البحثية: الاتصال المدرك للنظام (Regime-Aware Connection).
الطيار لا يخمن ما يجب فعله فحسب؛ بل يُعطى إجابة "المحقق" كمكون سري. يتم إضافة فئة الحركة (متوقفة، سرعة ثابتة، أو انحراف) كـ البعد الحادي عشر لمتجه الحالة الخاص بالطيار. الأمر يشبه إعطاء الطيار جهاز راديو يقول: "مهلاً، نحن ننحرف الآن، لذا ثق بالرادار أكثر وبالـ GPS أقل في هذه اللحظة".

لتحديد مقدار الثقة في كل مستشعر بالضبط، يستخدم الطيار التعلم التعزيزي (Reinforcement Learning - RL). تخيل شخصية في لعبة فيديو تتعلم من خلال التجربة والخطأ. يحاول وكيل التعلم التعزيزي ضبط إعدادات مستويات الثقة في المستشعرات. إذا ارتكب خطأً، يتلقى "عقاباً" (مكافأة سلبية). وإذا ظل على المسار الصحيح، يحصل على "مكافأة".

• اختبرت الورقة ثلاثة أنواع من وكلاء التعلم التعزيزي: TD3، و SAC، و PPO.
• واختبرت أيضاً ثلاثة أنواع من مرشحات كالمان: EKF، و UKF، و SR-CKF.
• بل وقاموا بإنشاء وكيل "تجميعي" (Ensemble) يأخذ متوسط رأي الوكلاء الثلاثة ليكون أكثر أماناً.

كانت النتائج مبهرة. أفضل إعداد (باستخدام وكيل TD3 مع مرشح SR-CKF) قلل الخطأ في موقع السيارة إلى 0.058 متر فقط (حوالي بوصتين). قارن ذلك بالنظام القديم الثابت، الذي كان لديه خطأ قدره 1.931 متراً (حوالي 6 أقدام). هذا يمثل تحسناً بنسبة 97.0%. لقد تعلم النظام ضبط نفسه بشكل مثالي لظروف القيادة المحددة.

ومن المثير للاهتمام أن الورقة وجدت أن وكيل PPO (نوع آخر من التعلم التعزيزي) فشل في التعلم جيداً في هذه المهمة المحددة، حيث أصيب بالارتباك وارتكب أخطاءً فادحة. وهذا يشير إلى أن PPO ليس الأداة المناسبة لهذا النوع من الضبط المستمر، بينما TD3 و SAC هما الأنسب.

الدفاع ضد تزييف نظام تحديد المواقع (GPS Spoofing)

هناك خطر آخر: تزييف الـ GPS (Spoofing). هذا يحدث عندما يرسل مخترق إشارات GPS مزيفة تبدو حقيقية، مما يخدع السيارة ويجعلها تعتقد أنها في مكان ليست فيه. وخلافاً لعملية "التشويش" (التي تكتفي بقطع الإشارة)، فإن التزييف عملية صامتة وخطيرة.

تضيف الورقة آلية دفاع تعمل مثل اختبار كشف الكذب:

1. كاشف الكذب (NIS): يتحقق النظام باستمرار مما إذا كانت بيانات الـ GPS تتطابق مع ما تقوله المستشعرات الأخرى (IMU والرادار). إذا قال الـ GPS "أنا هنا" بينما يقول الرادار "أنت في الواقع هناك"، فإن النظام يصنف ذلك ككذبة.
2. الزحف البطيء: اختبر المؤلفون هجوماً يعتمد على "التدرج السلس"، حيث تقوم الإشارة المزيفة بإزاحة السيارة عن مسارها ببطء بمرور الوقت، بدلاً من القفز المفاجئ. وهذا النوع أصعب في الكشف.
3. خطة الطوارئ: عندما يكتشف النظام كذبة (باستخدام طريقة CUSUM لرصد التغيرات البطيئة)، فإنه ينتقل فوراً إلى "المقدر الموثوق". هذا النظام الاحتياطي يتجاهل الـ GPS تماماً ويعتمد فقط على الـ IMU والرادار، ثم يعيد موقع السيارة إلى ما "يجب" أن يكون عليه.

النتيجة؟ مرشحات كالمان الثابتة (الطريقة القديمة) تعرضت للخداع تماماً، حيث تضاعف خطؤها (زيادة بنسبة 101.5%). لكن الأنظمة التي تم ضبطها بالتعلم التعزيزي؟ لم تتأثر حتى. ظل خطؤها كما هو تماماً (0.0% تدهور) لأن وكيل التعلم التعزيزي تعلم التوقف عن الثقة في الـ GPS بمجرد أن بدأ يتصرف بغرابة.

ماذا يعني هذا؟

تثبت هذه الورقة أن ربط عقل "ماذا نفعل؟" مباشرة بعقل "أين نحن؟" يجعل السيارات ذاتية القيادة أكثر ذكاءً وأماناً. من خلال استخدام شبكة هوبفيلد لتصنيف الحركة وتغذيتها مباشرة في وكيل تعلم تعزيزي، يمكن للنظام تعديل مستشعراته في الوقت الفعلي.

يشير المؤلفون بحذر إلى أنهم اختبروا هذا على مجموعة بيانات صغيرة (nuScenes v1.0-mini، والتي تحتوي على 10 مشاهد قيادة فقط). وبينما النتائج ذات دلالة إحصائية وتظهر تحسناً هائلاً، يقترح المؤلفون أن توسيع نطاق هذا الاختبار ليشمل مجموعة البيانات الكاملة التي تضم 700 مشهد سيجعل النظام أفضل بكثير. كما يوضحون أن نموذجهم الحالي بسيط نسبياً (معظم الحركات عبارة عن خطوط مستقيمة وانعطافات)، لذا لم تظهر الرياضيات المتقدمة لمرشحات كالمان المختلفة فروقاً كبيرة بعد — لكن هذا قد يتغير مع القيادة الأكثر حدة.

باخت-القول، يقدم هذا البحث مخططاً لنظام ملاحة لا يكتفي باتباع القواعد فحسب، بل يفهم بالفعل سياق الرحلة، ويثق في المستشعرات الصحيحة في الوقت الصحيح، ويمكنه كشف الكاذب قبل أن يؤدي ذلك بالسيارة إلى الهاوية.