في عالم يتعلق بتطوير التكنولوجيا المتقدمة، تُعتبر الطائرات بدون طيار (Unmanned Aerial Vehicles - UAV) واحدة من أبرز وسائل الابتكار. وضمن هذا الإطار، تم إجراء دراسة جديدة تبحث في كيفية استخدام الشبكات العصبية الزمنية (Temporal Neural Networks) لتقدير موضع الأذرع الطائرة (End-Effector) أثناء تأثيرات الديناميكا الهوائية.

تقوم هذه الدراسة بتوجيه اهتمامها نحو الروبوتات المستمرة (Continuum Robots) والتي تتميز بقدراتها الفائقة على التفاعل مع البيئات المختلفة. تم جمع مجموعة بيانات تجريبية تحت حالات مستقرة (Rotor-Off) وحالات تحليق حر، مع قياسات لموضع الأذرع تحت تأثير التأثيرات الديناميكية الهوائية.

لإرساء إطار عمل فعّال، تم تقييم نماذج الحركة (Kinematic Models) المعتمدة على معلمات الإجهاد (Strain-Parameterized) لتحقيق توازن بين تعقيد النموذج ودقة التوقع. النموذج المختار يعمل كنقطة أساس لتقدير الأخطاء في موضع الأذرع باستخدام شبكة عصبية مستمرة الزمن (Closed-Form Continuous-Time Neural Network).

عند مقارنة النتائج مع طرق أخرى مثل الشبكة متعددة الطبقات (Multilayer Perceptron - MLP) ووحدة التكرار المغلقة (Gated Recurrent Unit - GRU)، أظهرت الشبكة المستمرة الزمنية أداءً مميزًا، حيث حققت خطأً مقداره 22.00 ± 1.70 مم، مُسجلة تقليلًا في الأخطاء بنسبة تصل إلى 39.52% مقارنةً بالطريقة التقليدية.

تظهر هذه النتائج بوضوح فعالية التعلم المستمر الزمن في تحسين تقدير موضع الأذرع الطائرة، مما يُعد بادرة أمل للتطورات المستقبلية في مجالات الطائرات بدون طيار.