نماذج الانتشار لتطوير طائرات بدون طيار: ثورة في اتخاذ القرار ونمذجة البيانات

في عصرنا الحديث، أصبحت الطائرات بدون طيار (UAVs) جزءًا أساسيًا من شبكات الاتصال الحديثة، ولكن تواجهها تحديات كبيرة في مجالي اتخاذ القرار والنمذجة الرقمية. تُعتبر خوارزميات التعلم المعزز (Reinforcement Learning - RL) واحدة من أهم التقنيات المستخدمة لهذا الغرض، ولكنها تعاني من قيود تتعلق بكفاءة العينة المحدودة وتنوع البيانات. هذه التحديات تتفاقم عند استخدامها في سيناريوهات الاتصالات بين الطائرات بدون طيار.

كما أن نمذجة التوأم الرقمي (Digital Twin - DT) تُضيف تعقيدًا آخر في مجالات اتخاذ القرار وإدارة البيانات، حيث تتطلب نماذج RL قدراً هائلاً من بيانات التدريب للوصول إلى تنبؤات دقيقة. عوضًا عن الطرق التقليدية التي تركز على الحدود الفئوية، تبرز نماذج الانتشار (Diffusion Models - DMs) كفئة جديدة من الذكاء الاصطناعي القائم على التوليد، حيث تتعلم هذه النماذج توزيع الاحتمالات الأساسي من البيانات التدريبية وتستطيع إنتاج أنماط جديدة موثوقة.

تتكامل أدوار DT وRL مع تعزيز التعاون بينهما من خلال استخدام DMs التي تسهم في التغلب على مشكلة ندرة البيانات، وتحسين دقة النمذجة، وتوليد سيناريوهات واقعية. من خلال هذا البحث، نستكشف كيف يمكن دمج نماذج الانتشار مع التعلم المعزز ونماذج التوأم الرقمي. وتؤكد نتائج المحاكاة فعالية نماذج الانتشار في تقدير سرعات الجيران أثناء تنسيق مجموعة من أربع طائرات بدون طيار باستخدام التعلم المعزز العميق (Deep Reinforcement Learning - DRL).