Hybrid Software Controller for Precise Position and Trajectory Control of Quadcopters

تخيل أنك تحاول تعليم كلب آلي رباعي الأرجل أخرق كيف يمشي في خط مستقيم بينما تهب رياح قوية ضده. إذا قلت للكلب فقط "تقدم للأمام"، فقد يتعثر، أو يدور حول نفسه، أو يعلق لأنه لا يعرف كيف يتكيف مع الرياح أو مع أرجله المترنحة. هذا هو عالم المركبات الجوية غير المأهولة (UAVs)، أو الكوادكوبترز (الدرونز رباعية المراوح) — تلك الطائرات الرائعة التي نراها تلتقط الصور أو توصل الطرود. إن التحكم فيها صعب لأنها غير مستقرة بطبيعتها؛ فإذا دفعتها، تترنح، وإذا ضربتها الرياح، تنحرف عن مسارها.

للحفاظ على استقرار هذه الدرونز، يستخدم المهندسون عادةً نظام تحكم يسمى متحكم PID. فكر في متحكم PID كمدرب صارم يتبع القواعد بدقة. هو يتحقق باستمرار من مكان وجود الدرون مقارنة بالمكان الذي يجب أن يكون فيه. إذا انحرفت الدرون عن مسارها، يصرخ المدرب: "تحرك يساراً!" أو "تحرك للأعلى!". لدى المدرب ثلاث قواعد: فهو يستجيب للخطأ الحالي (التناسبي - Proportional)، ويتذكر الأخطاء الماضية لإصلاح الأخطاء المستمرة (التكاملي - Integral)، ويتنبأ بالأخطاء المستقبلية لإيقافها مبكراً (الاشتقاقي - Derivative). ومع ذلك، فإن هذا المدرب لديه عيب: فهو جامد نوعاً ما. إذا كانت الرياح قوية جداً، تصل محركات الدرون إلى سرعتها القصوى (مثل عداء يصطدم بحائط)، ويستمر المدرب في الصراخ "تحرك أسرع!" رغم أنه لا يستطيع فعل ذلك. هذا يسبب تجاوز الهدف والترنح بجنون، وهي مشكلة تسمى "التراكم" (wind-up). ولحل هذه المشكلة، أضاف المهندسون "مكبح أمان" (anti-windup) لإيقاف المدرب عن الصراخ عندما تصل المحركات إلى أقصى طاقتها. ولكن حتى مع وجود مكبح الأمان، لا يزال المدرب غير قادر على التعلم أو التكيف مع المواقف الجديدة والصعبة في اللحظة ذاتها.

هذا يقودنا إلى فكرة جديدة: ماذا لو أعطينا المدرب عقلاً يمكنه التعلم؟ هنا يأتي دور الشبكات العصبية الاصطناعية (ANNs) والشبكات العصبية العميقة (DNNs). تخيل هذه الشبكات كطالب يجلس بجانب المدرب. الطالب يراقب الرياح وترنح الدرون، ويتعلم من الأخطاء، ويهمس بتصحيح بسيط لهدف المدرب قبل أن يصرخ المدرب حتى. هذه الورقة البحثية، بعنوان "متحكم برمجيات هجين للتحكم الدقيق في الموقع والمسار للطائرات بدون طيار" من إعداد مايانك شارما وزملاؤه من جامعة أميتي، تستكشف بالضبط ما إذا كان دمج (المدرب الصارم - PID) مع (الطالب المتعلم - الشبكة العصبية) يمكن أن يجعل الدرون تطير بسلاسة ودقة أكبر من عمل المدرب بمفرده.

التجربة: تعليم الدرون الرقص في مهب الريح

قام الباحثون بإعداد عالم ثلاثي الأبعاد افتراضي لاختبار أفكارهم. أنشأوا درونا رقمياً يزن 1.0 كجم ولديه قوة دفع قصوى تبلغ 20 نيوتن. ولجعل الأمر واقعياً، لم يتركوا الدرون تطير في غرفة هادئة فحسب؛ بل عرضوها لرياح تضرب وتشد بقوة 0.3 نيوتن، وتغير اتجاهها في نمط موجي كل 0.5 ثانية (تردد 0.5 هرتز). كان الهدف بسيطاً: جعل الدرون تطير إلى نقطة محددة في الهواء — 2.0 متر للأمام، و 2.0 متر للجانب، و 1.5 متر للأعلى — والبقاء هناك دون ترنح.

اختبروا ثلاثة أنواع من "الأدمغة" للدرون:

1. المدرب الكلاسيكي: متحكم PID قياسي مع مكبح الأمان (anti-windup) للتعامل مع حدود المحركات.
2. المدرب + الطالب (ANN): متحكم PID مقترن بشبكة عصبية اصطناعية بسيطة. كان لهذا الطالب "عقل ضحل" يتكون من طبقتين فقط من الخلايا العصبية، صُمم لرصد الأخطاء بسرعة والهمس بتصحيح للهدف.
3. المدرب + المفكر العميق (DNN): متحكم PID مقترن بشبكة عصبية عميقة. كان لهذا الطالب "عقل أعمق" يتكون من أربع طبقات من الخلايا العصبية، بما في ذلك بعض المرشحات الخاصة لتجاهل الضجيج والتعامل مع المواقف المعقدة والفوضوية بشكل أفضل.

ماذا وجدوا: المفكر العميق يفوز بالسباق

النتائج، التي لوحظت خلال محاكاة طيران مدتها 20 ثانية، حكت قصة واضحة. كان كلا فريق "المدرب + الطالب" أفضل بكثير من "المدرب الكلاسيكي" وحده، مما يثبت أن إضافة طبقة تعلم تساعد الدرون على التعامل مع الرياح. ومع ذلك، كان للطالبين شخصيتان مختلفتان تماماً.

كانت الـ ANN (الطالب البسيط) سريعة ولكنها متهورة قليلاً. استجابت للرياح بسرعة، مما أوصل الدرون إلى الهدف في حوالي ثانيتين. لكنها كانت متحمسة أكثر من اللازم؛ فعندما حاولت تصحيح المسار، دفعت الدرون بقوة زائدة أحياناً، مما تسبب في تجاوز الهدف والترنح قليلاً قبل الاستقرار. كانت تشبه العداء الذي يبدأ بسرعة كبيرة ثم يتعثر عند خط النهاية. كانت حركات الدرون متقطعة، وكان عليها بذل جهد أكبر (جهد تحكم) للبقاء على المسار.

أما الـ DNN (المفكر العميق)، فقد كان أكثر حذراً في البداية. استغرق وقتاً أطول قليلاً لتحريك الدرون، ولكن بمجرد أن بدأ، كان سلساً للغاية. لم يتجاوز الهدف كثيراً، واستقر في موقع الهدف بأقل قدر من الترنح. أظهرت المحاكاة أنه بعد أول 5 ثوانٍ، كان الـ DNN يحافظ على الدرون قريبة جداً من المسار المثالي مقارنة بالـ ANN. في الواقع، كان "جذر متوسط مربع الخطأ" (RMS error) النهائي — وهو طريقة فنية لقياس مدى ابتعاد الدرون عن المسار في المتوسط — حوالي 0.03 متر للـ DNN، مقارنة بـ 0.05 متر للـ ANN.

كان الفرق واضحاً أيضاً في كيفية حركة الدرون. جعلت الـ ANN محركات الدرون تعمل بجهد أكبر وبشكل غير منتظم، خاصة في الحركات الالتوائية (الدوران والميلان). أما الـ DNN، فقد حافظ على أوامر المحركات سلسة وثابتة. كان الأمر يشبه الفرق بين سائق يضغط على المكابح بعنف ويحرك عجلة القيادة بجنون، وبين سائق ينزلق بسلاسة عبر حركة المرور.

الحكم النهائي

تشير الدراسة إلى أنه بينما يمكن لشبكة تعلم بسيطة (ANN) أن تساعد الدرون على الطيران بشكل أسرع في البداية، فإن شبكة تعلم أعمق وأكثر تعقيداً (DNN) هي الأفضل في الحفاظ على سلاسة ودقة الطيران، خاصة عندما تهب الرياح. ومن خلال السماح للـ DNN بتعديل مسار الهدف بلطف في الوقت الفعلي بناءً على الأخطاء التي يراها، لا تضطر الدرون للقتال بقوة ضد الرياح.

يخلص المؤلفون إلى أن هذا النهج "الهجين" — الذي يمزطج بين متحكم PID التقليدي الموثوق وشبكة عصبية حديثة قائمة على التعلم — هو وسيلة قوية لجعل الدرونز أكثر ذكاءً. فهو يحافظ على استقرار النظام الكلاسيكي مع إضافة القدرة على التكيف مع فوضى العالم الحقيقي. وبينما وجدت هذه النتائج في محاكاة حاسوبية لوقت طيران قدره 20 ثانية، إلا أنها تشير إلى أن الدرونز المستقبلية يمكنها التنقل في السماوات العاصفة برشاقة الراقص بدلاً من تعثر الروبوت الأخرق.