تعتبر عملية التحكم القوي في الأنظمة الميكانيكية مع وجود شكوك متعددة واحدة من التحديات الأساسية التي يواجهها الباحثون والمهندسون. خاصةً عندما تتداخل الديناميكيات غير الخطية والتغيرات في ظروف التشغيل بطريقة معقدة. في الآونة الأخيرة، أظهرت تقنية التعلم العميق المعزز (Deep Reinforcement Learning) المشتركة مع التنويع في المجال (Domain Randomization) وعدًا كبيرًا في تقليص الفجوة بين المحاكاة والواقع، لكن التعامل مع جميع مصادر عدم اليقين في وقت واحد يؤدي غالبًا إلى استراتيجيات فرعية وكفاءة تعلم ضعيفة.

تأتي الدراسة المطروحة لتقدم لنا مفهوم "تعلم عدم اليقين المستمر" (Continual Uncertainty Learning - CUL)، وهو إطار عمل تعليمي يستند إلى مناهج تعليمية مستمرة للتحكم القوي بالأنظمة غير الخطية تحت تأثير عدة شكوك متنوعة. الفكرة الأساسية هنا هي تقسيم المشكلة الأصلية للتحكم إلى سلسلة من المهام التعليمية المستمرة. حيث يتم توسيع النظام إلى مجموعة من المصانع التي تتزايد تدريجياً وتت diversify فيها الشكوك، مما يتيح اكتساب الاستراتيجية اللازمة للتعامل مع كل شك على حدة.

أثناء هذه العملية التعليمية، يتم تحديث السياسات عبر مجموعات المصانع تحت نظام تذكري مضاد للنسيان، مما يحافظ على الاستراتيجيات المكتسبة للشكوك السابقة. في الوقت نفسه، يتم تضمين وحدة تحكم تعتمد على نموذج يضمن أداءً مشتركًا جيدًا عبر جميع مجموعات المصانع، مما يساعد الوكيل على تعلم التعويض المتبقي لكل شك.

تم تطبيق الإطار المقترح على تصميم وحدة تحكم نشطة للتذبذبات في أنظمة القوة في السيارات، وهو تطبيق عملي في الصناعة. ومن خلال التحقق المقارن، أثبتت النتائج أن وحدة التحكم المستخلصة تبقى قوية أمام عدم الخطية الهيكلية والتغيرات الديناميكية عبر مجموعة واسعة من ظروف المصانع، مما يحسن أداء التحكم.