An Improved Adaptive Sliding Window Kalman Filter Approach for Target Tracking under Outlier Observations

في العالم الخفي للملاحة والتتبع، تحاول الآلات باستمرار تخمين مواقع الأجسام المتحركة، حتى عندما تكون مستشعراتها غير مثالية. هذا هو مجال تتبع الأهداف، وهو مجال تستخدم فيه الحواسيب نماذج رياضية للتنبؤ بالموقع المستقبلي لسفينة، أو طائرة، أو مركبة مغمورة بناءً على تدفق من البيانات المشوشة. الأداة الأكثر شهرة لهذه المهمة هي "مرشح كالمان" (Kalman filter)، وهي طريقة وجهت كل شيء من المركبات الفضائية إلى السيارات ذاتية القيادة لعقود من الزمن. تعمل هذه الطريقة من خلال المقارنة المستمرة بين ما يراه المستشعر وما يتوقعه النظام، ثم تعديل تخمينها للوصول إلى الحقيقة الأكثر احتمالاً. ومع ذلك، يعتمد هذا المفهوم الكلاسيكي على افتراض صارم: وهو أن الأخطاء في البيانات تتبع نمطاً يمكن التنبؤ به ولطيفاً. وفي العالم الحقيقي، غالباً ما تواجه المستشعرات طفرات مفاجئة وجامحة من الخطأ—وهي قيم متطرفة ناتجة عن إشارة عابرة أو خلل لحظي. وعندما تحدث هذه الاضطرابات غير المتوقعة، يمكن للمرشح التقليدي أن يصاب بالارتباك، ويفقد طريقه أو ينتج نتائج غير دقيقة تماماً.

ولحل هذه المشكلة، طور الباحثون نسخاً تكيفية من المرشح يمكنها تعلم طبيعة الضوضاء أثناء العمل، وتعديل إعداداتها الداخلية لتناسب البيئة المتغيرة. ومع ذلك، حتى هذه الأنظمة الأكثر ذكاءً تعاني عندما تتعرض تدفقات البيانات لفساد بسبب القيم المتطرفة العشوائية الشديدة. فقيمة واحدة سيئة يمكن أن تشوه الحساب بأك its، مما يؤدي بالنظام إلى الوثوق بإشارة خاطئة. ويكمن التحدي في إنشاء نظام يتمتع بالمرونة الكافية للتعلم من البيانات الجديدة، ولكنه في الوقت نفسه قوي بما يكفي لتجاهل الضوضاء التي لا تنتمي إليها. وهذا هو المشكل المحدد الذي عالجه دراسة جديدة من فريق من المهندسين في الصين، الذين اقترحوا طريقة منقحة لتتبع الأهداف في بيئات مليئة بالأخطاء غير المتوقعة.

وضع الباحثون، الذين يعملون من مؤسسات تشمل معهد هاربين للتكنولوجيا وكلية شانشي للعلوم والتكنولوجيا التطبيقية، هدفهم لتحسين كيفية تعامل هذه المرشحات مع البيانات الفوضوية. وقد ركزوا على تقنية تسمى "النافذة المنزلقة" (sliding window)، والتي تنظر إلى تاريخ قصير من القياسات الأخيرة بدلاً من مجرد القياس الأخير الوحيد. ومن خلال فحص كتلة صغيرة من البيانات الماضية، يمكن للنظام الحصول على تصور أفضل للاتجاه العام. ومع ذلك، حدد الفريق خللاً في كيفية معالجة أساليب النافذة المنزلقة الحالية لهذا التاريخ؛ فالأساليب التقليدية غالباً ما تأخذ متوسط البيانات داخل النافذة لاتخاذ قراراتها. وبينما يكون المتوسط مفيداً للبيانات السلسة، إلا أنه يتأثر بسهولة بقيمة متطرفة واحدة. فإذا كانت إحدى القياسات في نافذة مكونة من عشرة قياسات هي خطأ فادح، فإن المتوسط ينزاح بشكل كبير، مما يجعل المرشح يقدم تخميناً سيئاً.

ولإصلاح ذلك، قدم الفريق نهجاً جديداً أطلقوا عليه اسم "مرشح كالمان التبايني البايزي الاحتمالي المتكرر المريح التكيفي المعدل" (Modified Median Adaptive Probabilistic Relaxed Iterative Variational Bayesian Kalman Filter). ويكمن جوهر ابتكارهم في تحول بسيط ولكن قوي في كيفية تلخيص البيانات داخل تلك النافذة المنزلقة. فبدلاً من حساب المتوسط، الذي يتأثر بالقيم المتطرفة، يستخدمون "الوسيط" (median). والوسيط هو القيمة الوسطى لمجموعة من الأرقام؛ فإذا قمت بترتيب جميع القياسات من الأصغر إلى الأكبر، فإنه يمثل القيمة الموجودة في المنتصف تماماً. هذه الطريقة مقاومة طبيعياً للقيم المتطرفة؛ فحتى لو كان أحد نقاط البيانات في النافذة خاطئاً بشكل جامح، يظل الوسيط مستقراً لأنه يتجاهل حجم القيم المتطرفة ويركز على النزعة المركزية. ومن خلال الجمع بين حساب الوسيط القوي هذا وطريقة إحصائية متطورة تُعرف باسم "الاستدلال البايزي التبايني" (variational Bayesian inference)، يمكن للخوارزمية الجديدة تعلم خصائص الضوضاء دون الارتباك بسبب البيانات السيئة.

اختبر الباحثون طريقتهم باستخدام محاكاة حاسوبية تحاكي هدفاً مغموراً يتحرك في خط مستقيم بسرعة ثابتة. لقد أنشأوا سيناريو حيث يتم تتبع موقع الهدف باستخدام قياسات المسافة والاتجاه، وكلاهما تعرض عمداً لخطأ عشوائي وطفرات كبيرة أحياناً لمحاكاة التداخل في العالم الحقيقي. وقارنوا طريقتهم الجديدة بأسلوبين راسخين: "مرشح كالمان الموسع" (Extended Kalman Filter) القياسي، وهو حصان عمل شائع في الصناعة، وطريقة نافذة منزلقة تكيفية سابقة. جرت عمليات المحاكاة آلاف المرات لضمان موثوقية النتائج، وتتبع مدى قدرة كل خوارزمية على تقدير مسافة الهدف واتجاهه وسرعته.

أظهرت النتائج ميزة واضحة للنهج الجديد. ففي عمليات المحاكاة، قللت الطريقة المقترحة الخطأ في تقدير المسافة إلى الهدف بنسبة 11.11 بالمائة مقارنة بأفضل طريقة تكيفية سابقة. وانخفض الخطأ في تقدير الاتجاه، أو الاتجاه (bearing)، بنسبة 1.78 بالمائة، وانخفض الخطأ في تقدير السرعة بنسبة 3.16 بالمائة. لم تكن هذه التحسينات مجرد تعديلات طفيفة، بل مثلت مكسباً كبيراً في الدقة، لا سيما عندما تحتوي البيانات على تداخل كثيف. كما استكشفت الدراسة كيف أثر حجم النافذة المنزلقة على الأداء؛ ووجدوا أنه مع نمو حجم النافذة من واحد إلى أربع نقاط بيانات، تحسنت الدقة بثبات. ومع ذلك، بمجرد وصول النافذة إلى حجم خمسة، استقر الأداء. ولم يساعد جعل النافذة أكبر من ذلك في أي شيء، بل سيؤدي فقط إلى إبطاء النظام، لذا قرر الباحثون أن حجم النافذة خمسة يوفر أفضل توازن بين الدقة والسرعة.

إن ما يجعل هذا الاكتشاف قيماً بشكل خاص هو أنه يحقق هذه المكاسب دون اشتراط تشغيل حسابات معقدة ومستهلكة للوقت. فغالباً ما تعتمد الطرق التقليدية على تكرارات عديدة لصقل تخميناتها، وهي عملية يمكن أن تكون بطيئة ومكلفة حاسوبياً. تستخدم الطريقة الجديدة اختصاراً رياضياً يقوم بتحديث تقديرات الضوضاء مباشرة، متجنبة الحاجة إلى هذه الدورات المتكررة. وهذا يعني أن المرشح يمكنه العمل بشكل أسرع وأكثر كفاءة، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي حيث قد يعني التأخير في الحساب فقدان الهدف. كما أظهرت الدراسة أن المرشح الجديد أكثر صموداً مع زيادة مستوى الخطأ في البيانات. وبينما كان أداء جميع الأنظمة يسوء مع زيادة الضوضاء، إلا أن الطريقة الجديدة صمدت بشكل أفضل بكثير من منافسيها، محتفظة بمعدل خطأ أقل حتى في أصعب الظروف.

لا يدعي هذا العمل أنه حل كل المشكلات في تتبع الأهداف، ولا يشير إلى أن هذه الطريقة هي حل سحري لكل موقف. فالنتائج مبنية على محاكاة حاسوبية لنوع معين من الحركة—وهي الحركة الخطية المنتظمة—والأداء في البيئات الأكثر فوضوية في العالم الحقيقي سيحتاج إلى مزيد من الاختبار. ومع ذلك، توفر الدراسة دليلاً قوياً على أن استبدال المتوسط بالوسيط في عملية النافذة المنزلقة هو استراتيجية فعالة للغاية. فمن خلال تصفية تأثير الأخطاء العشووية والمتطرفة مع الاستمرار في التعلم من البيانات الصالحة، توفر الخوارزمية الجديدة طريقة أكثر موثوقية لتتبع الأجسام في البيئات المشوشة. ويشير هذا التقدم إلى مسار للمهندسين الذين يصممون أنظمة الملاحة التي يجب أن تعمل في الظروف غير المتوقعة للعالم الحقيقي، حيث نادراً ما تكون المستشعرات مثالية وغالباً ما تكون البيانات فوضوية.