تعد الطائرات المسيرة (UAVs) من الأدوات الأساسية في العديد من التطبيقات، بدءًا من الخدمات اللوجستية وصولاً إلى الاتصالات. لكن لتحقيق أداء مثالي، تحتاج هذه الطائرات إلى تنبؤات دقيقة لفقدان الإشارة (Path Loss) بين الأرض والسماوات، وهو ما يبدو بسيطاً لكنه يتأثر بشكل كبير بالبيئة المحيطة. في العديد من الحالات، تتحرك الطائرات المسيرة عبر مناطق مختلفة مثل الضواحي والمدن ذات العمارات العالية، مما يجعل تنبؤ فقدان الإشارة أكثر تعقيدًا.

مؤخراً، تم تقديم تقنية جديدة تُدعى LiLib، وهي مكتبة نماذج مدفوعة بالتعلم المستمر. الهدف الرئيسي من LiLib هو الاحتفاظ بمجموعة صغيرة من الخبراء لاسترجاع البيانات الخاصة بالبيئات المختلفة وتحسين دقة التنبؤات. تكمن الفكرة في أن النظام يقوم باكتشاف التغيرات (Drift) في البيئة من خلال اختبارات سريعة ويقوم إما بإعادة استخدام أفضل خبير متاح أو إنشاء جديد.

أظهرت التجارب باستخدام أربعة نماذج حضرية قياسية أن LiLib قد خفضت متوسط الخطأ الجذري التربيعي (RMSE) من 5.89 ديسي بل إلى 4.03 ديسي بل. بالإضافة إلى ذلك، حينما تعود الطائرة المسيرة إلى بيئة معروفة، انخفض الخطأ من 12.3 ديسي بل إلى 5.7 ديسي بل.

تتمتع LiLib بسعة تخزينية صغيرة جدًا، حيث يمكنها الاحتفاظ بأربعة خبراء في أقل من 0.5 كيلوبايت، وتحقق دقة تصل إلى 92% في التعرف على البيئات دون الحاجة إلى تسميات. وعندما يتم تهيئة طائرة مسيرة ثانية باستخدام مكتبة خبير من طائرة مسيرة زميلة، فإن معدل الخطأ بعد تغيير البيئة ينخفض إلى النصف.

على الرغم من أن LiLib لم تصل بعد إلى مستوى الأداء المثالي، إلا أن النتائج توضح أن القدرة على "التذكر" تعد أكثر فعالية من إعادة التكيف عندما يتعلق الأمر بالتغيرات المتكررة في البيئة. مع استمرار تطور تقنيات الطائرات المسيرة، يُتوقع أن تلعب LiLib دورًا محوريًا في التحسينات المستقبلية في هذا المجال.