A Priority-Aware Intelligent Task Offloading Framework for Autonomous Vehicles in Vehicular Edge Computing Using Deep Reinforcement Learning
تقترح هذه الورقة إطار عمل مدعومًا بالذكاء الاصطناعي للحوسبة الحافية للمركبات يدمج التعلم المعزز العميق لتفريغ المهام القائم على الأولوية، والتنبؤ بالموارد القائم على نموذج الذاكرة الطويلة قصيرة المدى (LSTM) لتحسين تنفيذ المهام ديناميكيًا وتقليل وقت الاستجابة بنسبة 31.2% مقارنة بالطرق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل عالماً لا تكون فيه السيارات مجرد آلات تقود نفسها، بل شركاء أذكياء في شبكة واسعة ومتحركة. تولد هذه المركبات باستمرار مهاماً رقمية، من حساب المسار الأكثر أماناً حول أحد المشاة إلى بث فيلم للركاب. وللتعامل مع هذا التدفق من البيانات، تعتمد السيارات على نظام يسمى "حوسبة الحافة للمركبات" (vehicular edge computing). فبدلاً من إرسال كل طلب إلى خادم سحابي بعيد وبطيء، تستخدم الشبكة تسلسلاً هرمياً من الموارد: حاسوب السيارة نفسها، وحواسيب السيارات المجاورة، والوحدات الموجودة على جانب الطريق التي تعمل كمراكز محلية، وأخيراً السحابة الضخمة. التحدي يكمن في أن هذه الموارد محدودة ومتغيرة باستمرار؛ فقد تمتلك السيارة طاقة وفيرة في لحظة ما وتكون منخفضة البطارية في اللحظة التالية، وقد يكون مركز الطريق مزدحماً بالمرور بينما يظل مركز آخر خاملاً. وإذا لم تتمكن السيارة من اتخاذ قرار سريع بشأن مكان إرسال المهمة، فقد يكون التأخير خطيراً، خاصة في العمليات الحرجة المتعلقة بالسلامة مثل تجنب الاصطدام.
لسنوات، حاول المهندسون حل هذه المشكلة باستخدام قواعد ثابتة أو صيغ رياضية لتحديد وجهة المهام. ومع ذلك، تعاني هذه الطرق التقليدية عندما تتغير البيئة بسرعة، مثل تغير كثافة المرور أو حدوث طفرة مفاجئة في الطلبات في منطقة معينة. وغالباً ما تفشل هذه الطرق في التمييز بين مهمة تحتاج إلى التنفيذ في أجزاء من الثانية لمنع وقوع حادث، ومهمة أخرى يمكنها الانتظار لبضع ثوانٍ. يقترح بحث جديد أجراه الباحثان صریاً غرافي وسيد مرتضى بابامير من جامعة كاشان حلاً أكثر ذكاءً وقابلية للتكيف. فقد طورا إطار عمل يستخدم الذكاء الاصطناعي لاتخاذ هذه القرارات في الوقت الفعلي، معتبرين المشكلة ليست معادلة رياضية ثابتة، بل لعبة ديناميكية تتغير فيها أفضل حركة مع كل ثانية.
جوهر نهجهما هو نظام يقوم أولاً بفرز كل مهمة حسب درجة استعجالها. حيث يقسمون المهام إلى ثلاث فئات: عالية الأولوية، والتي تشمل الإجراءات الحرجة للسلامة مثل اكتشاف عائق؛ متوسطة الأولوية، مثل البحث عن محطة وقود؛ ومنخفضة الأولوية، مثل مشاهدة فيلم. وبمجرد تصنيف المهمة، يجب على النظام اختيار مكان واحد لتنفيذها: إما في السيارة نفسها، أو في سيارة مجاورة لديها طاقة فائضة، أو في وحدة على جانب الطريق، أو في السحابة. ولاتخاذ هذا القرار، استخدم الباحثان تقنية تسمى "التعلم التعزيزي العميق" (deep reinforcement learning). وهذا شكل من أشكال الذكاء الاصطناعي حيث يتعلم "وكيل" حاسوبي من خلال التجربة والخطأ، عبر التفاعل مع البيئة لاكتشاف القرارات التي تؤدي إلى أفضل النتائج. وفي هذه الحالة، يتعلم الوكيل اختيار الموقع الذي يقلل من الوقت المستغرق لإكمال المهمة وإعادتها إلى السيارة.
ومع ذلك، فإن التعلم من الماضي ليس كافياً عندما تكون الموارد شحيحة. فقد أدرك الباحثان أنه حتى لو اختار الذكاء الاصطناعي وحدة مثالية على جانب الطريق، فقد تكون تلك الوحدة مشغولة جداً بحيث لا تستطيع التعامل مع المهمة فوراً. ولحل هذه المشكلة، أضافوا طبقة ثانية من الذكاء باستخدام نموذج تنبؤي. ينظر هذا النموذج إلى البيانات التاريخية للتنبؤ بعدد المهام عالية الأولوية التي ستصل في المستقبل القريب. وبناءً على هذا التنبؤ، يقوم النظام بحجز قدرة حوسبية في وحدات جانب الطريق خصيصاً لتلك المهام العاجلة بشكل استباقي. الأمر يشبه مطبخ مطعم يقوم، بناءً على الوقت من اليوم والاتجاهات السابقة، بتجهيز المكونات لذروة العشاء قبل وصول أول طلب. وهذا يضمن أنه عندما تصل مهمة سلامة حرجة، تكون الموارد جاهزة بالفعل بانتظارها، مما يلغي وقت الانتظار الذي قد يتسبب في تأخير آخر.
كما يعالج النظام مسألة المهام المتكررة. فالعديد من الطلبات منخفضة الأولوية، مثل ركاب يطلبون مشاهدة نفس الفيلم الشهير، هي طلبات متطابقة. وبدلاً من إرسال هذه الطلبات إلى السحابة لمعالجتها مراراً وتكراراً، يستخدم النظام تقنية "التخزين المؤقت" (caching). فإذا كانت نتيجة المهمة مخزنة بالفعل في ذاكرة وحدة على جانب الطريق، يقوم النظام باسترجاعها فوراً من هناك. هذا يتجاوز الحاجة إلى عمليات حوسبة ثقيلة وأوقات نقل طويلة، مما يسرع الاستجابة لهذه الطلبات الشائعة بشكل كبير.
لاختبار إطار عملهم، أجرى الباحثون محاكاة واسعة النطاق باستخدام مجموعتين مختلفتين من البيانات: إحداهما تعتمد على أنماط حركة المرور في العالم الحقيقي والأخرى من مستودع عام. وقارنوا نظامهم الجديد بعدة أساليب موجودة، بما في ذلك الأساليب التي تعتمد فقط على التعلم التعزيزي العميق، والأسالما التي تستخدم فقط أقرب وحدة على جانب الطريق، والاستراتيجيات التقليدية التي ترسل جميع المهام إلى السيارة نفسها أو إلى مواقع عشوائية. وأظهرت النتائج أن نهجهم المتكامل كان متفوقاً. فمن خلال الجمع بين قدرة اتخاذ القرار للذكاء الاصطناعي واستشراف النموذج التنبؤي وكفاءة التخزين المؤقت، قلل النظام من متوسط زمن تأخير الاستجابة بنسبة 31.2 بالمائة مقارنة بالطرق الأخرى.
ولعل الأهم من ذلك هو أن الإطار الجديد قلل بشكل كبير من عدد المهام الفاشلة. ففي عمليات المحاكاة، غالباً ما فشلت الأساليب التقليدية في إكمال المهام عالية الأولوية ضمن حدودها الزمنية الصارمة لأنها لم تستطع تأمين الموارد في الوقت المناسب. أما النظام المقترح، ومن خلال حجز الموارد مسبقاً وتوجيه المهام بذكاء، فقد ضمن إكمال عمليات السلامة الحرجة في الوقت المحدد في كثير من الأحيان أكثر من ذي قبل. كما أظهرت الدراسة أن الوكيل الذكي تعلم تثبيت عملية اتخاذ القرار لديه بسرعة، حيث وصل إلى استراتيجية مثالية بشكل أسرع وأكثر استقراراً من الأنظمة التي تفتقر إلى العنصر التنبؤي أو التكامل الهيكلي الكامل.
ويخلص الباحثون إلى أنه على الرغم من أن عملهم يعتمد حالياً على المحاكاة، إلا أن النتائج تقدم مخططاً مقنعاً لمستقبل النقل ذاتي القيادة. ويشيرون إلى أنه مع زيادة اتصال المركبات، ستكون القدرة على تحديد أولويات المهام ديناميكياً والتنبؤ باحتياجات الموارد أمراً ضرورياً للسلامة والكفاءة. وبالتطلع إلى المستقبل، يخططون لاستكشاف كيفية توسيع هذا النظام باستخدام "التعلم الاتحادي" (federated learning)، وهي طريقة تسمح لأجهزة متعددة بالتعلم معاً دون مشاركة بياناتها الخاصة، مما يزيد من دقة كيفية إدارة الشبكة لتدفق المعلومات المعقد في عالم السيارات ذاتية القيادة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.