تشتهر المركبات تحت الماء بفقدان طاقتها بسرعة نتيجة لعمليات الدفع المستمرة، مما يضع حدودًا على المسافة التي يمكن أن تقطعها أو المدة التي يمكن أن تعمل بها. وقد قدمت دراسة حديثة حلاً مبتكرًا لهذه المشكلة من خلال استخدام التعلم المعزز المستند إلى القيود (Constrained Reinforcement Learning). هذه الطريقة الجديدة تركز على تطوير نظام تحكم قادر على إنجاز المهام بكفاءة أكبر مع تقليل استهلاك الطاقة إلى الحد الأدنى.

يعتمد هذا النهج على صياغة التحكم كعملية صنع قرار ماركوفية مقيدة (Constrained Markov Decision Process) حيث يتم تحديد ميزانية للطاقة المستخدمة من قبل المحركات. يتم تحقيق ذلك باستخدام خوارزمية PPO-Lagrangian، مما يتيح ضبط مستوى الطاقة بشكل دقيق دون الحاجة إلى إعادة ضبط المعايير لكل مركبة أو مهمة.

في تجارب أجريت على ثلاث مركبات وأربع مهام ضمن محاكي MarineGym، أظهرت السياسة المستندة إلى قيود الطاقة تقليلاً في استهلاك الطاقة يصل إلى 65% مقارنة بالمعايير التقليدية. وعلى الرغم من ذلك، بقي الأداء دقيقًا وسلسًا في معظم البيئات، مما يدل على فعالية هذا النهج الجديد في تحقيق توازن مثالي بين كفاءة الطاقة ودقة الأداء.

هذا التطور يشير إلى فرصة جديدة للاستفادة من الذكاء الاصطناعي في تحسين أداء أنظمة التحكم في المركبات تحت الماء، مما يمكننا من استكشاف أعماق البحار بشكل أكثر فعالية، ما رأيكم في هذا التطور؟ شاركونا في التعليقات!