شبكة تعلم عميق تعتمد الانتباه ذات طرفين لتصنيف المسارات المتعددة لإشارات الموجات المليمترية في نظم النقل الذكية

لماذا يمكن أن تختلط إشارات الطريق

مع تطور السيارات والحافلات والشاحنات لتصبح أكثر ذكاءً واتصالاً، تعتمد على إشارات لاسلكية ذات ترددات عالية للتواصل مع بعضها البعض ومع معدات جانب الطريق. لكن في الشوارع الحقيقية المليئة بالمباني والأشجار والمركبات الأخرى، تتناثر هذه الإشارات فتكوّن أصداء عديدة قد تربك أنظمة المركبة. يقدّم هذا البحث طريقة جديدة لتعليم الحواسيب فصل مسارات الإشارة المفيدة عن الأصداء الضارة، مما يساعد نظم النقل الذكية المستقبلية على البقاء موثوقة حتى في بيئات المدن والطرق السريعة المزدحمة.

مشكلة أصداء الإشارة على الطريق

عندما تنتقل إشارة لاسلكية بين محطة قاعدة على جانب الطريق ومركبة متحركة، نادراً ما تسلك مساراً واحداً مباشراً. بدلاً من ذلك، تنعكس وتتشتت وتنحرف عن المباني والسيارات وسطح الطريق، مكونة نسخاً متأخرة كثيرة تُعرف بمكونات المسار المتعدد. يكون المسار المباشر أولاً وبعض الانعكاسات الأولى عادة مفيدة، لكن الأصداء من درجات أعلى تصل متأخرة، من زوايا غريبة، وبقوة مشوهة. هذه الأصداء غير المرغوب فيها قد تغبّش تقديرات التوقيت والاتجاه، تزيد الأخطاء، وتعطل مهام مثل التموقع الدقيق، والملاحة الذاتية، وإرشاد الركن، ومراقبة المرور. الطرق الرياضية التقليدية التي تحاول تصنيف وتصفية هذه المسارات تُكافح في مثل هذه البيئات سريعة التغير، وتتطلب معايرة مكثفة، وغالباً ما تصل دقتها إلى نحو 90% فقط—مستوى منخفض لنظم حرجة للسلامة.

تعليم شبكة لقراءة إشارات الطريق المبعثرة

لمعالجة ذلك، يقترح المؤلفون نموذج تعلم عميق جديد يُدعى MOVENetx64، مصمم خصيصاً لبيانات السلاسل الزمنية أحادية البُعد الناتجة عن قنوات الاتصال الحديثة. بدلاً من الاعتماد على مُدخلات مُنقّاة يدوياً أو معالجة بشدة، يستقبل MOVENetx64 معلومات خاماً عن وقت وصول كل مسار، وقوته، ومن أي اتجاهات يأتي، بالإضافة إلى طوره. داخل النموذج، تختار طبقات التلافيف المتتالية أولاً الأنماط المحلية، ثم تتبع وحدات الذاكرة قصيرة وطويلة الأمد كيفية تطور هذه الأنماط عبر الزمن. هذا المزيج يلتقط البنية اللحظية والتسلسلية المخفية في فوضى الأصداء.

آلية تركيز مزدوجة للأصداء الصعبة

أبرز ما يميز MOVENetx64 هو كتلة جديدة تُسمى «انتباه الطرفين». ببساطة، ينظر هذا المكون إلى بيانات القناة من خلال منظورين متوازيين. يقسّم الإشارات الداخلية إلى جزأين، يعالج كل جزء عبر فرع خاص به، ثم يطبق آلية انتباه تتعلم أي أجزاء كل فرع هي الأهم لتقرير ما إذا كان المسار مفيداً أم ضاراً. من خلال وزن الميزات المهمة بشكل أكبر وقمع الضوضاء، يساعد انتباه الطرفين الشبكة على التركيز على الفروقات الدقيقة بين المسارات الأولى المرغوبة والأصداء ذات الدرجات الأعلى المربكة، حتى عندما تتداخل في الزمن أو الاتجاه.

التدريب على طرق افتراضية واقعية

لاختبار النهج، أنشأ الباحثون مجموعات بيانات كبيرة وواقعية باستخدام محاكٍ لتتبع الأشعة لثلاثة أنواع من بيئات القيادة: شوارع مدينة كثيفة، ومناطق ضاحوية مختلطة، وطرق سريعة مع حركة مرور متحركة. لكل إعداد، استخرجوا ميزات التوقيت والطاقة والزوايا والطور لكل مسار إشارة وجمّعوها إلى فئتين: المسارات المباشرة مع الانعكاسات الأولى، ومسارات متعددة من درجات أعلى. كان التحدي الرئيسي أن الأصداء الضارة كانت أكثر شيوعاً بكثير من المسارات النظيفة، ما قد يضلل التدريب القياسي. لمعالجة ذلك، صمم المؤلفون استراتيجية «خسارة متبادلة» تتبدل بين هدفين تدريبيين مختلفين—أحدهما أفضل في التعامل مع الاختلال، والآخر أفضل في الدقة الكلية—كلما تعثر التقدم، مما يساعد الشبكة على تعلم الحالات النادرة والشائعة بشكل جيد.

ما مدى فعالية الطريقة الجديدة؟

عبر الأنواع الثلاثة من الطرق، حقق MOVENetx64 دقة تصنيف مرتفعة جداً، فوق 98% في البيئات الضاحية وفوق 96% حتى على الطرق السريعة، مع إبقاء الخطأ في توقع الأصداء ذات الدرجات الأعلى منخفضاً جداً بين 0.17–2.28%. تفوّق باستمرار على مجموعة واسعة من نماذج التعلم العميق الشائعة، من الشبكات التلافيفية الكلاسيكية إلى الشبكات الباقية المتقدمة والنماذج الراجعة ثنائية الاتجاه، بالإضافة إلى مصنفات المسارات المتعددة السابقة في الأدبيات. والأهم أنه فعل ذلك بعدد معقول من المعاملات ومن دون الحاجة لخطوات معالجة مسبقة مكلفة مثل إعادة بناء استجابة نبضة القناة التفصيلية أو تطبيق تحويلات معقدة.

ماذا يعني هذا للنقل الذكي في المستقبل

لغير المتخصصين، الخلاصة بسيطة: MOVENetx64 هو بمثابة «مخ تصفيي» متخصص يتعلم التمييز بين مسارات الإشارة الجيدة والأصداء السيئة في بيئات لاسلكية مزدحمة. من خلال العمل مباشرة على البيانات الخام ومعالجة ظروف الاختلال الشديد، يمكن أن يساعد أنظمة المركبة إلى البنية التحتية المستقبلية على الحفاظ على وصلات قوية وموثوقة حتى في المدن المزدحمة. فصل أفضل للمسارات المفيدة عن التداخل يعني تقديرات موقع أكثر دقة، وانقطاعات اتصال أقل، ودعماً أكثر موثوقية للقيادة الذاتية وخدمات النقل المتقدمة الأخرى.

الاستشهاد: Menon, A.G., Krishnan, P., Lal, S. et al. A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system. Sci Rep 16, 12266 (2026). https://doi.org/10.1038/s41598-026-39131-0

الكلمات المفتاحية: نظم النقل الذكية, اتصال الموجات المليمترية, صدى المسارات المتعددة, التعلم العميق, تحديد موقع المركبات