في خطوة مبتكرة نحو إدارة التنقل بشكل أكثر ذكاءً، توصل فريق من الباحثين إلى تقنية جديدة تعتمد على النماذج متعددة الوسائط (Large Multimodal Models) التي تدمج البيانات من عدة مصادر لعالم الاتصالات اللاسلكية. بالرغم من أن النماذج اللغوية الضخمة (Large Language Models) قد أثبتت قدرتها في العديد من المجالات، إلا أن استخدامها في إدارة التنقل لا يزال نادرًا، وذلك بسبب تعقيد الحاجة إلى تحليل القياسات اللاسلكية، وتوقع مسارات المستخدمين الديناميكية، واتخاذ قرارات سريعة بشأن التبديل بين المحطات القاعدية المختلفة.

يقترح هذا البحث نظامًا جديدًا لإدارة التنقل يعتمد على النماذج متعددة الوسائط، حيث يتيح معالجة البيانات من الصور RGB-D لاستخراج معلومات سياقية حول البيئة المحيطة. هذا النظام يستطيع تحليل أنماط حركة الأجهزة المستخدمة (User Equipment) وتحديد الانعكاسات والحواجز الناتجة عن المكونات الثابتة والعوائق الديناميكية.

بفضل المعلومات المستخرجة، يتعلم النظام كيفية ربط مواقع الأجهزة ومراكز المحطات القاعدية بسعة القنوات المسرّعة، مما يُعرف بخريطة سعة القناة (Channel Capacity Map). هذه الخريطة تستخدم لتوقع سعات القنوات المستقبلية على طول مسارات الحركة، مما يمكن النظام من اتخاذ قرارات التحويل بشكل استباقي لتعزيز السعات التراكمية. أظهرت النتائج التجريبية أن هذا النظام يوفر تحسينات ملحوظة في سعة القنوات مقارنة بالأساليب التقليدية المعتمدة على التعلم العميق (Deep Learning).

تسليط الضوء على الابتكار في إدارة التنقل هو خطوة جوهرية نحو تحسين مستقبل السيارات الذاتية والشبكات اللاسلكية. ما هي توقعاتكم بالنسبة لهذه التطورات المثيرة في الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.