مع الانتشار المستمر للطائرات بدون طيار (UAV) في نظام الاتصالات 6G، تظهر الحاجة لضمان تغطية شبكية قابلة للتوسع والتكيف. لكن، تبقى مهمة تحسين مسارات الطائرات بدون طيار في البيئات الديناميكية وغير المألوفة تحديًا كبيرًا يرتكز على ضرورة إعادة تدريب النماذج بشكل مكثف في كل سيناريو جديد.

في هذا الإطار البحثي الجديد، نقدم نظامًا مبتكرًا لتحسين المسارات يتضمن تعلم النقل المستمر المعزز (enhanced continual transfer learning) ضمن هيكلية O-RAN. يعتمد هذا النظام على مكتبة من النماذج المدربة مسبقًا وآلية لاختيار النموذج الأنسب لنقل المعرفة من البيئات الأكثر ارتباطًا. بهذه الطريقة، يتم تقليل وقت التكيف وتحسين الكفاءة التشغيلية.

عندما لا يكون هناك نموذج يتسم بالتشابه الكافي، يتم استخدام نموذج احتياطي مدعوم بتحسينات مستمرة لضمان أداء أساسي مقبول. تعتمد الآلية أيضًا على خرائط المدن الحقيقية وتقنيات تتبع الأشعة (ray tracing) لتعزيز موثوقية التعلم وتحسين تخطيط المسارات.

يُظهر تقييم النظام أن الطريقة المعتمدة على اختيار النموذج في تعلم النقل تقلل من وقت التقارب بنسبة تتراوح بين 44% إلى 56% مقارنةً بإعادة التدريب من البداية، وبنسبة تصل إلى 40% مقارنةً بتعلم النقل التقليدي دون اختيار نموذجي. هذا الابتكار يمكن أن يكون له تأثير كبير على فعالية استخدام الطائرات بدون طيار في المستقبل القريب.