في عصر التطور السريع لتقنيات الذكاء الاصطناعي، تظهر دراسة جديدة تقدم إطارًا مبتكرًا لاختيار الحساسات المتنوعة المستخدمة في رصد السفن البحرية. بدلاً من تنشيط جميع الحساسات في الوقت نفسه أو إجراء تقييم مكلف باستمرار، يستند هذا النظام على تقنيات تعلُم التعزيز (Reinforcement Learning) لاختيار الحساسات بشكل استراتيجي.

تستند هذه الطريقة إلى إدارة الحساسات بناءً على النظرية المعلوماتية، حيث يتم اختيار حساس واحد يتعلق بالتتبع في كل مرحلة قرار. يتم أيضًا استخدام متتبع بايزي (Bayesian Sequential Monte Carlo Tracker) لتقدير حالة السفينة من القياسات المزعجة، مما يساعد في تحديد الثقة في المعلومات المكتسبة.

تم تنفيذ هذه التجربة في بيئة محاكاة جغرافية في ميناء أيّا نابا في قبرص، حيث تم نشر خمسة حساسات. يلاحظ وكيل التعلم الإجراءات المدروسة، تاريخ الكشف، التغطية، هندسة المستشعر، وميزات كسب المعلومات المحققة. يتم تعريف المكافأة بترميز يعتمد على مكاسب المعلومات المرتبطة بقناع المراقبة.

تظهر النتائج أن السياسة المتعلمة تحقق أداءً قريبًا من وضع "الحساسات المفتوحة دائمًا"، بينما يعتمد فقط على حساس واحد لكل خطوة قرار، مما يغنيها عن العمليات الحسابية المكلفة التي تتطلبها أساليب اختيار الحساسات التقليدية.

هذا يتضمن خطوة هامة نحو تحسين الكفاءة في المراقبة البحرية، ويعد انطلاقة جديدة لتطبيقات الذكاء الاصطناعي في مجال السلامة البحرية.