تطبيق خوارزمية شبكة الالتفاف الزمنية المندمجة مع وحدة انتباه القنوات لتحديد المواقع الداخلية عبر UWB

لماذا من الصعب العثور على الأشخاص داخل المباني

تحتاج الهواتف الذكية والروبوتات وروبوتات المستودعات إلى معرفة موقعها بدقة حتى عندما لا تصل إليها أقمار نظام تحديد المواقع (GPS) داخل المباني. أصبح راديو النطاق فائق الاتساع (UWB) مرشحًا رائدًا لهذه المهمة لأنه يمكنه قياس المسافات بدقة على مستوى السنتيمتر. ومع ذلك، في الأماكن الحقيقية المزدحمة المملوءة بالجدران والزجاج والأشخاص المتحركين، غالبًا ما تنعكس هذه الإشارات أو تنحرف أو تنحجب مؤقتًا، ما يسبب قفزات مفاجئة في الموقع المبلغ عنه. يستكشف هذا المقال طريقة قائمة على الذكاء الاصطناعي تجعل تحديد المواقع باستخدام UWB أكثر دقة وثباتًا في مثل هذه البيئات الداخلية الفوضوية.

نبضات الراديو في غرفة مزدحمة

تحدد أنظمة UWB موقع جهاز مُسمى بالوسم (tag) عن طريق قياس الزمن الذي تستغرقه نبضات راديو قصيرة للغاية للانتقال بين الوسم وعدة محطات أساسية ثابتة. في المساحات البسيطة والمفتوحة يعمل نهج "زمن الوصول" هذا بشكل جيد. لكن داخل المباني، غالبًا ما تسلك الإشارات مسارات غير مباشرة — تنعكس عن الأبواب والنوافذ والأشخاص — قبل الوصول إلى المُستقبِل. تؤدي هذه المسارات غير المباشرة، أو النقص في خط البصر (NLOS)، إلى جعل الوسم يبدو أبعد مما هو عليه في الواقع. تعتمد الحلول التقليدية على مرشحات رياضية مصممة بعناية أو على أدوات تعلم آلي تحاول أولًا تصنيف كل إشارة على أنها نظيفة أو مشوّهة. وعلى الرغم من فائدتها، فإن هذه الطرق إما تعتمد بشكل كبير على ضبط خبراء أو ما تزال تعاني حين يتحرك الناس بشكل غير متوقع في المكان.

ترك البيانات تحكي القصة عبر الزمن

يقترح الباحثون استراتيجية مختلفة: بدلًا من معاملة كل قياس مسافة على حدة، ينظرون إلى كيفية تغير القراءات مع الوقت ويتيحون لنموذج التعلُّم العميق أن يتعلم الأنماط. الأداة الأساسية لديهم هي شبكة التفاف زمنية (TCN)، نوع من الشبكات العصبية المصممة لبيانات السلاسل الزمنية. على خلاف الشبكات المتكررة التي تعالج لحظة تلو الأخرى، تستخدم شبكات TCN التفافات أحادية البعد يمكنها فحص فترات تاريخية طويلة بالتوازي. هذا التصميم يتجنّب مشاكل التدريب الشائعة ويسمح للنموذج بملاحظة اتجاهات أطول أمداً وأكثر دقة — مثل كيف أن شخصًا يمشي بين الوسم ومحطة أساسية يطيل مؤقتًا المسافة المقاسة ثم تعود إلى وضعها.

تعليم الشبكة ما الذي يجب أن توليَه اهتمامًا

فوق TCN، أضاف الفريق وحدة انتباه القنوات (CAM). تنتج كل محطة أساسية تيارًا خاصًا من قراءات المسافة، وليس كل هذه التيارات موثوقة بنفس القدر في كل لحظة. تتعلم CAM تخصيص أوزان مختلفة لهذه التيارات، مع تعزيز تلك التي تبدو متسقة وتخفيف وزن تلك التي تبدو متأثرة بالانعكاسات أو الانحجاب. معًا، يأخذ شبكة TCN‑CAM المندمجة مسافات خام وصاخبة من ست محطات أساسية وتُخرج أفضل تقدير للإحداثيات الثلاثية الأبعاد للوسم، كل ذلك في خطوة شاملة من البداية إلى النهاية دون مرحلة تصنيف إشارية منفصلة.

الاختبار في ضوضاء محاكاة وممرات حقيقية

للاطلاع على مدى فعالية الطريقة، أنشأ المؤلفون أولًا آلاف المواضع الداخلية الافتراضية وحاكوا قياسات UWB مع مستويات متفاوتة من الضوضاء وأخطاء NLOS المضافة. قارنوا نهج TCN‑CAM بثلاثة منافسين: شبكة ذاكرة طويلة قصيرة المدى مع انتباه (LSTM‑attention)، وTCN قياسي، وشبكة التفاف مع انتباه القنوات. مع ازدياد التدخُّل المحاكَى، زادت الأخطاء لدى جميع الطرق، لكن TCN‑CAM أنتجت باستمرار أصغر الأخطاء وأضيق تشتت في النتائج، مما يشير إلى دقة أعلى وموثوقية أكبر. في أقسى ظروف الاختبار، خفضت متوسط أخطاء الموقع بنحو الربع إلى النصف مقارنة بالطرق الأخرى.

من المختبر إلى الحركة في العالم الحقيقي

ثم انتقل الفريق إلى موقع اختبار داخلي حقيقي مُجهَّز بست محطات أساسية UWB وأداة مسح عالية الدقة وأشخاص يمشون عمدًا لإحداث انسدادات للإشارة. حدَّدت الخوارزمية الجديدة موقع الوسم المتحرك بخطأ متوسط بلغ 3.32 سنتيمترًا فقط. كان ذلك أفضل بنحو 19% مقارنة بـ TCN العادي، و25% أفضل من نموذج الالتفاف مع الانتباه، و76% أفضل بشكل ملحوظ من نهج قائم على LSTM. نتائج TCN‑CAM لا تتجمع فقط بشكل أوثق حول المسار الحقيقي، بل تتتبّع أيضًا المسار الثلاثي الأبعاد الفعلي للوسم بوفاء أكبر في كل اتجاه.

ماذا يعني هذا للتكنولوجيا اليومية

بالنسبة لغير المتخصصين، الخلاصة بسيطة: بالسماح لنموذج ذكي بمراقبة كيفية تغير قراءات مسافة UWB مع الزمن وتعلم أي الإشارات يُعتمد عليها في كل لحظة، يمكن لتحديد المواقع الداخلية أن يصبح أدق وأقل تقطعًا، حتى عندما يتحرك الناس ويعترضون مسار الإشارة. وعلى الرغم من أن الطريقة تحتاج إلى إعادة تدريب إذا نُقلت المحطات الأساسية الثابتة، فإنها تقدّم حلاً قويًا وعمليًا للمصانع والمستشفيات والمستودعات والمباني الذكية حيث تظل البنية التحتية في مكانها. ومع نضج تقنيات التعلّم العميق المماثلة وبدء اندماج UWB مع حسّاسات أخرى، قد تعرف الأجهزة الداخلية قريبًا مواقعها بدرجة موثوقية تقارب ما تعرفه هواتفكم في الهواء الطلق.

الاستشهاد: He, L., Lian, Z., Núñez-Andrés, M.A. et al. Application of a temporal convolutional network algorithm fused with channel attention module for UWB indoor positioning. Sci Rep 16, 6305 (2026). https://doi.org/10.1038/s41598-026-35802-0

الكلمات المفتاحية: تحديد المواقع الداخلية, النطاق فائق الاتساع, التعلُّم العميق, تحليل السلاسل الزمنية, تتبُّع الموقع