تعزيز الملاحة الذاتية مع مدارس التعليم العميق

من التصور إلى العمل: مدى قوة التعلم العميقة ذاتية الحركة

وقد تجاوزت الطائرات الآلية المستقلة التجارب المختبرية في تطبيقات العالم الحقيقي في مجالات الزراعة، واللوجستيات، والتفتيش على الهياكل الأساسية، والبحث والإنقاذ، وقدرتها على نقل البيئات المتناثرة والدينامية والمنوعة من مصادر القدرة العالمية دون مدخلات بشرية، تتوقف على خط متطور للتصور والتخطيط والتحكم، وقد أصبح التعلم العميق الدعامة الرئيسية لهذا الخط، مما يتيح للطائرات الآلية تفسير بيانات المناقصة، والتنبؤ بالدول المقبلة.

مؤسسة التعلم العميق من أجل الملاحة

ما يجلبه التعلم العميق إلى "الطيور"

وتعتمد خوارزميات الملاحة التقليدية على السمات المصممة يدوياً وقواعد واضحة لمعالجة العقبة، وتخطيط المسارات، والتحويل المحلي، وهي تصلح في بيئة منظمة، ولكنها تكافح مع تقلب مشاهد العالم الحقيقي، وتتغير فيها الحواجز غير المتوقعة، وتتحول التضاريس غير المهيكلة، وتحل مشكلة التعلُّم العميق للطيور محل الشبكات العصبية المرنة التي تتعلم الأنماط مباشرة من البيانات.

كما أن التعلم العميق يُستحث على جمع البيانات من أجهزة الاستشعار المتعددة، ويمكن أن تحمل طائرة حديثة بدون طيار كاميرات " ستريو " ، و " ليدار " ، وأجهزة تحديد النطاقات فوق الصوتية، ووحدة القياس غير القانوني، ويمكن للشبكات العصبية العميقة أن تجمع هذه المدخلات غير المتجانسة في تمثيل موحد للبيئة، مما يؤدي إلى تحسين القدرة على الصمود عند حدوث أشعة مرئية أو " ليد.

بنية الشبكة العصبية الرئيسية في الملاحة دون طيار

Convolutional Neural Networks (CNNs) for Visual Perception

إن إن إن إن إن إن إن إن إن إن أي هو من أفقات الرؤية التي تُعرف بالطائرة، فهي تجهز أطراً للكاميرات لكشف وتصنيف الأجسام، وتقدير عمقها، ومناطقها القابلة للتداول، ولتجنب العقبة، يمكن للشبكة أن تنتج خريطة عمق كاملة من صورة واحدة، تتيح للطائرة بدون طيار رؤية المسافات إلى الأجسام القريبة، كما أن البنى المتحركة مثل شبكة ريسنت، وشركة YOLO، وأجهزة التي تعمل على استخدام أجهزة التليفزيون في الوقت الحقيقي للزرنيتر

Recurrent Neural Networks (RNNs) and Temporal Modeling

وتتوقف قرارات الطائرات بدون طيار في جوهرها على الملاحظات الأخيرة والإجراءات السابقة، وتلتقط هذه الناموسيات، ولا سيما المتغيرات مثل الأشعة فوق البنفسجية والوحدات العالمية، هذه المعالين الزمنيين، ويمكن للجهاز الاستنشاق أن يتوقّع مسار العقبة المتحركة في المستقبل (مثلاً، قراءة الطيور أو طائرة بدون طيار) عن طريق معالجة سلسلة من المواقف التي تستخدمها، مما يتيح للمخطط أن يرتقيات.

تعزيز التعلم من أجل الرقابة التكيفية

إن التعلُّم في مجال الإنفاذ يوفر وسيلة لتدريب سياسات الملاحة دون أن يتطلب ذلك مظاهرات بشرية واضحة، وتتفاعل الطائرة بدون طيار مع محفز (أو العالم الحقيقي) وتتلقى مكافآت عن السلوكيات المستصوبة - التي لا تزال قائمة على المسار، وتتجنب الاصطدامات، وتصل إلى نقاط الطريق.

التعلم العميق في خط الأنابيب الملاحية

ويمكن تقسيم الملاحة الآلية المستقلة إلى ثلاث مراحل مترابطة: التصور والتخطيط والتحكم، ويؤثر التعلم العميق على كل مرحلة بشكل مختلف، ويوضح فهم هذه الأدوار المجالات التي تكمن فيها أكبر المكاسب والمشاكل.

التصور: رؤية العالم

ويبني نظام الرؤية هذا تمثيلا للبيئة، ويستخدم نماذج التعلم العميق التجزؤ السيمنتي (يرسم كل بيكسل على أنه " أرضي " ، و " بناء " ، وما إلى ذلك)، وكشف الأجسام (الناس المقصون، والمركبات، والعلامات) وتقدير العمق، مثلا، يستخدم جهازا قياسيا قابلا للتقدير للعمق في استخدامات الأشعة السينية لتوليد سحابة من كاميرات " ستريو " .

ألف - تدفق البيانات وعدم اليقين

إن نواتج التصورات السريعة مزعجة، فالتعليم العميق يقدم تفسيرات مرجحة: فبدلا من قيمة واحدة عميقة، يمكن للشبكة أن تنتج توزيعا على الأعماق، وأن تعطي معلومات عن عدم اليقين، وعندما يكون الشك مرتفعا، فإن الطائرة الآلية قد تبطئ أو تتراجع إلى سلوك احترازي، وهذا النهج المحتمل مهم بصفة خاصة عندما يطير في ظروف منخفضة الضوء أو في حالة تهيج ثقيلة، حيث تزداد الضوضاءة.

التخطيط: تحديد مكان الذهاب

وبعد أن يكون نموذج التصور قد وضع تمثيلا، يجب على المخطط أن يجد طريقا آمنا وفعالا لتحقيق الهدف، ويمكن للتعلم العميق أن يعجل التخطيط بطرق عدة، وتفرض خرائط التكاليف التي تعلمت فرض عقوبة على كل خلية في البيئة، مع فرض عقوبات أعلى على المناطق التي كانت فيها الطائرة التي كانت تعاني من اضطراب في السابق، ويضع مخططا متدرجا بعد ذلك مسارات البحث الأقل تكلفة.

ومن الأمثلة العملية استخدام شبكات الظواهر العصبية العميقة للتجنّب المحلي في البيئات الدينامية، وبدلا من إعادة حساب مسار عالمي من الخدش كل مرة يظهر فيها عائق، يصنف جهاز CNN الخفيف نمط حركة العقبة (مثلا العبور ضد البقاء) ويعدل المسار المحلي تبعا لذلك، ويقلل هذا النهج من الحمولة الحاسبية ويتيح أوقات الرد دون 50 مترا، وهو أمر حاسم عندما يمضي الطفل فجأة.

المراقبة: تنفيذ التحركات

وفي حين أن مراقبة المواقف المنخفضة المستوى (الدحرجة، والتدفق، والتوجه) كثيرا ما تستخدم أجهزة التحكم التقليدية في أجهزة PID، فإن التعلم العميق يُطبق بصورة متزايدة في حلقة التحكم، ويمكن لمراقبي الشبكة العصبية أن يتعلموا الديناميات المعقدة وغير الخطية لطائرة بدون طيار، بما في ذلك الآثار الهوائية مثل دوار المياه، والأثر الأرضي، وتدهور الوقود، وتعويضهم عن هذه الثغرات في التحكم في الشبكات.

التطبيقات العالمية الحقيقية

الزراعة ورصد المحاصيل

(ب) الطائرات الآلية المستقلة ذاتياً المجهزة بمعاملات التكوين العميق التي تُجرى فيها مساحات زراعية واسعة النطاق، وكشف صحة المحاصيل، والإجهاد المائي، وزراعة الآفات، ويجب أن يطير نظام الملاحة منخفضاً (5-10 متر) لالتقاط صور عالية الاستبانة مع تجنب رشافات الري، وخطوط الكهرباء، والعمال.

التفتيش على الهياكل الأساسية

Inspecting bridges, wind turbines, and power lines requires drones to operate close to structures while maintaining a safe distance. Deep learning models trained on images of rust, cracks, and corrosion guide both the navigation and the inspection task. For example, a drone inspecting a wind turbine blade] uses a neural network to distinguish the blade’s leading edge from the background set sky;

البحث والإنقاذ

وفي مناطق الكوارث، يجب أن تبحر الطائرات الآلية المستقلة عن طريق الدخان والغبار والحطام لتحديد أماكن الناجين، ويستخدم التعلم العميق في كل من الملاحة وكشف الضحايا، وتمتد أجزاء نموذج تصور الطائرة بدون طيار إلى مناطق قابلة للتداول (تطهير من الأنقاض)، ويسترشد مخطط حراري معتمد على RL بالطائرة الآلية إلى الطائفتين الحراريتين والبعوض مع تجنب الهياكل غير المستقرة.

التحديات في نشر التعلم عن بعد في المناطق الجافة

القيود الحاسوبية

ويواجه نظام تشغيل شبكة عصبية عميقة على حاسوب محمول من طائرة بدون طيار تحدياً في مجال الطاقة والميزانيات الحرارية، ويدخل مجهز نموذجي على متن السفينة (مثلاً، شركة NVIDIA Jetson Orin) 15 إلى 40 W، يتنافس مباشرة مع المحركات المقدسة لتوليد الطاقة البطارية، ويجب على المهندسين أن يوازنوا الدقة النموذجية مقابل التكلفة المحسوبة.

بيانات التدريب ونقل الانتقال من مرحلة إلى أخرى

وتحتاج نماذج التعلم العميق إلى بيانات كبيرة ومتنوعة لتعمم بشكل جيد، إذ أن جمع بيانات الرحلات الجوية في العالم الحقيقي مع مجموعة متنوعة من العقبات، وظروف الإضاءة، والطقس مكلفة ومستهلكة للوقت، ونتيجة لذلك، فإن معظم نماذج الملاحة تُدرَّب في المقام الأول على المحاكاة (تستخدم محركات مثل محاكاة الهواء، أو الغاز، أو المحرك غير الواقعي) ثم تُحَدَّى مع نماذج واقعية محدودة.

السلامة والتصديق

وكثيرا ما ينظر إلى الشبكات العصبية العميقة على أنها " صناديق سوداء " يصعب التحقق من قراراتها، فبالنسبة للتطبيقات الحرجة المتعلقة بالسلامة مثل تسليم الطائرات بدون طيار إلى المناطق المأهولة بالسكان، يحتاج المنظمون إلى سلوك مفسر وموثوق، وهذا التوتر بين مرونة النظم القائمة على التعلم وجمود التحقق الرسمي هو مجال بحث نشط، ويستخدم بعض الحلول أجهزة الرصد التي تتحول إلى نماذج احتياطية تقليدية لمراقبة الحسابات إذا انعكست نتائج الشبكة العصبية.

الاتجاهات المستقبلية

التعليم الحاسوبي المباشر

أما الحدود التالية فهي تعلم مستمر على الطائرة الآلية نفسها، وبدلا من نشر نموذج ثابت لا يتكيف أبدا، فإن الطائرات الآلية المقبلة ستستكمل شبكاتها العصبية في منتصف الرحلة باستخدام ملاحظات جديدة، ويمكن أن يعوض هذا التعلم في المستقبل عن الأشعة العائمة، أو تغير الظروف البيئية، أو تدهور المعدات.

التعلم المتعدد الوسائط والتعلم الذاتي

وتعتمد النماذج الحالية اعتماداً كبيراً على الصور المسمومة بالبيانات - المشروحة من البشر التي تنطوي على عقبات ومناطق قابلة للتداول، وتستفيد تقنيات التعلم التي يشرف عليها ذاتياً من خبرة الطائرة بدون طيار في توليد بطاقات تدريب، وعلى سبيل المثال، فإن طائرة بدون طيار تصل مادياً إلى موقع يؤكد أن الطريق كان قابلاً للملاحة؛ كما أن الصور التي تنجم عنها ليست أمثلة إيجابية على التدريب.

التكامل مع التوائم الرقمية

ويتيح التقاء التكنولوجيا الرقمية، التي توفر نسخة افتراضية في الوقت الحقيقي لطائرة بدون طيار وبيئتها، ورغبتها في القيام بمهام أكثر أماناً، ويمكِّن من إجراء اختبارات أفضل لسياسات التعلم العميق، ويجمع توأم رقمي بين بيانات الاستشعار التاريخي والتنبؤات الجوية والخرائط المستكملة لتحفيز رحلة الطائرة بدون طيار قبل أن تنفجر، ويمكن أن تكون نماذج التعلم العميق مجهزة في جسر التوأم أو تُحسن كما تجمع بالفعل بيانات ذات طابع طبيعي.

نحو المستوى 5

والهدف النهائي هو أن تكون الأساطيل الآلية المستقلة تماماً التي يمكن أن تعمل لأيام دون تدخل بشري، ومناولة الإقلاع، والملاحة، وجمع البيانات، والهبوط، بل وحتى إعادة الشحن، وسيتطلب الوصول إلى هذا المستوى تحقيق إنجازات لا في خوارزميات التعلم العميق فحسب، بل أيضاً في أجهزة الاستشعار، وتكنولوجيا البطاريات، والأطر التنظيمية، ومع ذلك، فإن المسار واضح: فقد انتقلت التعلم العميق بالفعل من نماذج تجريبية إلى عنصر تجاري أكثر كفاءة.

ومع تطور هذه التكنولوجيات، يمكننا أن نتوقع أن نرى طائرات بدون طيار مستقلة تؤدي مهام معقدة مستحيلة أو خطرة حاليا بالنسبة للطيارين البشريين، ومن تفتيش كل توربين في مزرعة رياح بحرية إلى توفير الإمدادات الطبية الحيوية عبر المدن المكتظة، فإن ضخ التعلم العميق والرحلات المستقلة سيستمر في توسيع حدود ما يمكن في الهواء.