Task Offloading in Multi-UAV Edge Computing Using an Improved Multi- Agent Proximal Policy Optimization Approach
تقترح هذه الورقة إطار عمل SS-MAPPO، وهو تحسين لخوارزمية التحسين المعتمد على السياسة القريبة متعددة الوكلاء (Multi-Agent Proximal Policy Optimization) يدمج آلية الانتباه المتناثر من نوع (top-K) وسياسات كامنة غاوسية، لحل مشكلة تفريغ المهام اللامركزية والموفرة للطاقة في بيئات الحوسبة الحافية متعددة الطائرات بدون طيار الديناميكية والمصممة كعملية اتخاذ قرار ماركوف جزئية الملاحظة والقرار اللامركزي (Dec-POMDP).
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
في السماوات فوق المدن والمناظر الطبيعية النائية، بدأت الروبوتات الطائرة الصغيرة المعروفة باسم "الدرونز" (الطائرات بدون طيار) تصبح عمالاً أساسيين. فهي تفحص خطوط الطاقة، وتوصل الطرود، وتراقب مناطق الكوارث، وتجمع كميات هائلة من البيانات أثناء حركتها. ومع ذلك، تحمل هذه الآلات عبئاً ثقيلاً: فبطارياتها محدودة، وحواسيبها المدمجة غالباً ما تكون ضعيفة جداً لمعالجة المعلومات المعقدة بسرعة. إذا حاولت طائرة بدون طيار حل مسألة رياضية صعبة أو تحليل صورة عالية الدقة أثناء الطيران، فإنها تستنزف بطاريتها بسرعة وقد تنفد طاقتها قبل إنهاء مهمتها. ولحل هذه المشكلة، طور المهندسون مفهوماً يسمى "الحوسبة الحافية المتنقلة" (mobile edge computing). فبدلاً من إجبار الطائرة على القيام بكل العمل بنفسها، يمكنها إرسال بياناتها إلى حواسيب قوية قريبة على الأرض أو حتى إلى خوادم أكبر في "السحابة". وهذا يسمح للطائرة بأن تظل خفيفة وفعالة، تاركة العمل الشاق للآلات ذات الطاقة غير المحدودة.
تنشأ التحديات عندما تعمل عشرات أو مئات من هذه الطائرات في نفس المنطقة في وقت واحد. تخيل سرباً مكوناً من مائة وعشرين طائرة بدون طيار، تحاول جميعها إرسال البيانات إلى عدد محدود من المحطات الأرضية. ستصبح الموجات الهوائية مزدحمة، وستتعرض الحواسيب الأرضية لضغط شديد بسبب كثرة الطلبات، وسيتعين على الطائرات اتخاذ قرار مستمر بشأن ما إذا كانت ستعمل بمفردها، أو ترسل البيانات إلى محطة قريبة، أو تنتظر خادماً سحابياً بعيداً. وإذا اتخذت القرار الخاطئ، فإنها تهدر الطاقة أو تسقط مهاماً مهمة. هذه مشكلة تنسيق؛ فالطرق التقليدية لتنظيم مثل هذه المجموعات غالباً ما تفشل لأن البيئة تتغير بسرعة كبيرة؛ فقد تتحرك طائرة خارج النطاق، أو قد تصبح محطة أرضية ممتلئة فجأة. احتاج الباحثون إلى طريقة تمكن هذه الطائرات من تعلم كيفية اتخاذ قرارات ذكية وموفرة للطاقة من تلقاء نفسها، حتى عندما لا يمكنها رؤية ما تفعله الطائرات الأخرى.
قام فريق من الباحثين من جامعة هوبي للتكنولوجيا الأوتوماتيكية وشركة يونان هانزي للتكنولوجيا بتطوير طريقة جديدة لمساعدة أسراب الطائرات هذه على العمل معاً بكفاءة أكبر. لقد أنشأوا نظاماً تتعلم فيه الطائرات من خلال التجربة والخطأ، باستخدام نوع من الذكاء الاصطناعي الذي يسمح لها بتحسين قراراتها بمرور الوقت. بنى الباحثون محاكاة لعالم معقد يضم مائة وعشرين طائرة بدون طيار، وأربعة وعشرين خادماً أرضياً، وخادماً سحابياً واحداً قوياً. في هذه البيئة الرقمية، تولد الطائرات مهاماً بأحجام متفاوتة، تتراوح من حزم بيانات صغيرة بحجم ثلاثمائة كيلوبايت إلى ملفات كبيرة بحجم ثلاثة آلاف وثلاثمائة كيلوبايت. كان الهدف بسيطاً ولكنه صعب: إنجاز كل مهمة مع استخدام أقل قدر ممكن من طاقة البطارية.
اختبر الفريق نهجهم الجديد مقابل عدة طرق موجودة، بما في ذلك خوارزميات قديمة تعتمد على قواعد ثابتة وأنظمة تعلم أخرى استُخدمت في الماضي. ووجدوا أن نظامهم الجديد، الذي أطلقوا عليه اسم (SS-MAPPO)، قد تفوق على الآخرين في كل شيء تقريباً. وكان مفتاح نجاحه هو كيفية تعامله مع العدد الهائل من الطائرات. ففي السرب المزدحم، لا تحتاج كل طائرة إلى الانتباه لكل طائرة أخرى؛ بل إن محاولة القيام بذلك تخلق ارتباكاً وتؤدي إلى إبطاء النظام. علم الباحثون نظامهم الجديد التركيز فقط على الجيران الأكثر صلة، وتجاهل البقية. هذا يشبه كيف يركز شخص في غرفة صاخبة على صوت صديق يقف بجانبه بينما يتجاهل الضجيج في الخلفية. ومن خلال تصفية المعلومات غير الضرورية، استطاعت الطائرات اتخاذ قرارات أسرع وأكثر استقراراً.
علاوة على ذلك، حسن الباحثون كيفية تعلم الطائرات الاختيار بين المعالجة المحلية، أو الخوادم القريبة، أو السحابة. وبدلاً من القيام بقفزات مفاجئة من خيار إلى آخر، جعل النظام الجديد هذه القرارات أكثر سلاسة، مما سمح للطائرات بالتكيف بلطف مع الظروف المتغيرة مثل الرياح أو تغير إشارات الشبكة. وفي عمليات المحاكاة التي أجروها، سمح هذا النهج للسرب بالوصول إلى حالة مستقرة وفعالة بشكل أسرع بكثير من الطرق الأخرى. وبينما استغرقت الأنظمة القديمة وقتاً أطول للتعلم وغالباً ما تذبذبت بشدة في استهلاكها للطاقة، استقر النهج الجديد في إيقاع منتظم بسرعة. وعندما زاد عدد الطائرات من مجموعة صغيرة إلى سرب كبير مكون من مائة وعشرين طائرة، حافظ النظام الجديد على كفاءته، بينما عانت الطرق الأخرى واستهلكت طاقة أكبر بكثير.
أظهرت نتائج هذه المحاكاة أن النهج الجديد يمكنه تقليل إجمالي استهلاك الطاقة للسرب بأكل. كما أثبت أنه أكثر متانة عندما يتغير حجم المهام. وسواء كانت الطائرات تتعامل مع ملفات بيانات صغيرة أو بث فيديو ضخم، فقد عدل النظام نفسه دون إهدار الطاقة. وأشار الباحثون إلى أن الطريقة كانت جيدة بشكل خاص في منع تحميل الخوادم الأرضية فوق طاقتها، مما يضمن عدم انتظار أي طائرة لفترة طويلة جداً للحصول على استجابة. هذا التوازن أمر بالغ الأهمية في التطبيقات الواقعية حيث يمكن أن يعني التأخير فشل عملية تسليم أو فشل في عملية تفتيش.
وعلى الرغم من هذه النتائج الواعدة، يوضح الباحثون بحذر أن نتائجهم تأتي من محاكاة حاسوبية. لقد صمموا نماذج تتحرك فيها الطائرات على مسارات ثابتة وافترضوا أن المهام تُرسل في كتل كاملة بدلاً من تقسيمها. وبينما يوفر هذا أساساً قوياً، إلا أن العالم الحقيقي غالباً ما يكون أكثر تعقيداً، مع طقس غير متوقع وأنماط طيران أكثر تعقيداً. ويقترح الفريق أن العمل المستقبلي سيحتاج إلى اختبار هذه الأفكاء مع طائرات يمكنها تغيير اتجاهها بحرية والتعامل مع نقل البيانات الجزئي. ومع ذلك، توفر الدراسة في الوقت الحالي مساراً واضحاً لإدارة المجموعات الكبيرة من الآلات ذاتية القيادة. فمن خلال تعليم الطائرات تجاهل الضجيج والتركيز على ما يهم حقاً، قد نرى قريباً أسراباً تعمل معاً بسلاسة، وتحافظ على طاقتها لجعل السماوات آمنة وفعالة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.