تسارعت وتيرة الابتكار في مجال الشبكات اللاسلكية، حيث أصبحت الشبكات اللاسلكية المنخفضة الارتفاع (Low Altitude Wireless Networks - LAWNs) تلعب دورًا محوريًا كإطار عمل للبنية التحتية للطائرات بدون طيار المتنوعة. هذه الشبكات تدعم الخدمات المتزامنة ضمن فضاء جوي ثلاثي الأبعاد مشترك، مما يخلق تداخلًا قويًا بين الحركة والاتصال والموارد الشبكية المشتركة.

إن تواجد خدمات متنوعة يحمل معه متطلبات مميزة ومتغيرة زمنيًا، مما يتطلب تكييف العمليات بشكل مستمر. ومن هنا، تنشأ لعبة غير تعاونية ديناميكية تُشكّل التفاعلات فيها مجموعة من التحديات، حيث تظل الأهداف والقواعد المُشغلة تتطور بشكل مستمر. وعادةً ما تعتمد أدوات التحسين التقليدية ومنظومات التعلم على أهداف محددة مسبقًا، مما يقيد قدرتها على التكيف الذاتي مع المتطلبات المتغيرة.

للتغلب على هذه المشكلة، قدم الباحثون هيكلًا هجينًا يعتمد على نماذج لغوية ضخمة (Large Language Models - LLM) ونمذجة التعلم المعزز متعدد الوكلاء (Multi-Agent Reinforcement Learning - MARL) من خلال تنظيم معمارية ثنائية الحلقة. حيث تعمل الحلقة الخارجية على استخدام الذكاء الاصطناعي لتفسير متطلبات الخدمة ونوايا المشغلين، بينما تعالج الحلقة الداخلية السياسات المعتمدة على بارامترات محددة.

تظهر دراسة حالة حول مراقبة اللوجيستيات كيف يُسهّل الإطار المقترح التعايش المنسق بين الخدمات المتنوعة، متكيفًا مع الظروف التشغيلية المتغيرة دون الحاجة لإعادة تدريب السياسات الأساسية لـ MARL.

وأخيرًا، يُناقش الباحثون التحديات الرئيسية والاتجاهات البحثية نحو تطوير شبكات LAWNs الوكيلة القابلة للتوسع والقائمة على الثقة والتكيف.

في ظل هذا الابتكار، كيف ترون مستقبل الطائرات بدون طيار في ظل التحديات الجديدة؟ شاركونا آراءكم في التعليقات.