مخطط تخصيص الموارد المعتمد على التعلم التعزيزي لاتصالات المركبات في شبكات 5G للمدن الذكية

لماذا يحتاج المرور الذكي إلى إدارة طاقة ذكية

مع امتلاء المدن بالسيارات المتصلة والهواتف والمستشعرات على جوانب الطرق، فإن كل هذا التواصل اللاسلكي يستهلك قدراً كبيراً من الكهرباء بصمت. يجب أن تكون الشبكات التي تتيح للمركبات التواصل مع بعضها ومع إشارات المرور سريعة وموثوقة، ولكن أيضاً موفرة للطاقة إذا أردنا نقلًا أنظف وأكثر استدامة. تستكشف هذه الدراسة كيف يمكن لبرنامج تعلّم بسيط أن يساعد السيارات على اختيار مقدار طاقة الراديو المناسب تلقائياً، مما يقلل الهدر مع الحفاظ على تدفق رسائل السلامة الحرجة.

سيارات تتعلم مدى "علو" حديثها

تركز الدراسة على وصلات المركبة مع كل شيء (Vehicle to Everything)، حيث تتبادل السيارات المعلومات مع سيارات أخرى ومشاة ووحدات على جانبي الطريق والشبكة الأوسع عبر 5G. في الشوارع المزدحمة، تنعكس الإشارات عن المباني، وتتحرك المركبات بسرعة، وتتغير جودة الوصلة اللاسلكية من لحظة لأخرى. تقليدياً تُضبط مستويات الطاقة بواسطة قواعد ثابتة أو خطط مركزية تكافح لمجاراة هذا التحرك المستمر. هنا، يشغّل كل مركبة وكيل تعلم صغير يراقب محيطه، يختار مستوى طاقة لإرساله الراديوي، ثم يتعلّم من النتائج.

كيف يوجّه التعلم استخدام الطاقة

يعتمد المؤلفون على طريقة تُسمى Q-learning، اختيرت لكونها خفيفة بما يكفي لتشغيلها على الإلكترونيات داخل السيارة. يراقب الوكيل قياسات بسيطة مثل مدى قوة إشارته مقارنة بالتشويش، والمسافة إلى المستقبل، ومدى ازدحام الطريق. لكل حالة يجرب إعدادات طاقة مختلفة ويتلقى مكافأة رقمية توازن بين هدفين: إرسال البيانات بسرعة ووضوح، لكن باستخدام أقل قدر ممكن من الطاقة. عبر تجارب كثيرة يملأ الوكيل جدولاً صغيراً يربط كل حالة بخيار طاقة جيد، ويقترب تدريجياً من سياسة تعمل بشكل جيد دون الحاجة إلى معالج كبير أو نموذج شبكة مفصّل.

العمل في ظروف مدينة حقيقية ومعقدة

لاختبار الفكرة، يحاكي الباحثون تقاطعاً حضرياً مزدحماً به مركبات ومشاة ووحدات على جانب الطريق ومحطات قاعدة 5G. يتضمن النموذج تأثيرات واقعية مثل فقدان الإشارة مع المسافة، وانعكاسات المباني، وانزياحات دوبلر الناتجة عن تحرك السيارات. يبدأ الوكيل التعليمي باستكشاف شبه عشوائي، لذا تتقلب كفاءته الطاقية وجودة البيانات من تجربة تدريب إلى أخرى. مع اكتساب الخبرة، يستقر سلوكه: يميل إلى اختيار مستويات طاقة معتدلة تحافظ على إشارة قوية بما يكفي لرسائل السلامة وتتفادى بث طاقة مفرطة. تُظهر المحاكاة أن كفاءة الطاقة تبلغ ذروتها عند مسافات ومستويات جودة إشارة معينة، ثم تنخفض عندما تصبح الوصلات طويلة جداً وتحتاج لطاقة مرتفعة ومهدرة.

برنامج بسيط للتحكم المحلي القوي

قوة المنهج تكمن في أن كل مركبة تتعلم بمفردها باستخدام معلومات محلية فقط. إذا تعطلت وحدة على جانب الطريق أو ضعف التغطية مؤقتاً، تلاحظ السيارة أن جودة وصلةها انخفضت وتجرب خيارات طاقة بديلة لاستعادة الأداء. وبما أن جدول التعلم صغير، فإن الطريقة عملية للأجهزة المضمنة وقابلة للاستجابة بسرعة لتغيرات الحركة وقنوات الاتصال. تفحص الدراسة أيضاً كيف أن القياسات غير المثالية للقناة اللاسلكية تتوسط مع الزمن، مما يتيح للوكيل العثور على استراتيجيات مستقرة ومعقولة دون رؤية كاملة للشبكة.

ماذا يعني هذا للشوارع المستقبلية

للمستخدمين اليوميين للطريق، الرسالة هي أن الذكاء نفسه الذي يجعل السيارات أكثر أماناً يمكنه أيضاً تقليل العبء على شبكة الطاقة. من خلال السماح لكل مركبة بتعلّم مدى "علو" حديثها عبر الهواء، تُظهر هذه الدراسة مساراً نحو أنظمة لاسلكية تهدر طاقة أقل بينما توفر الوصلات السريعة والموثوقة اللازمة لتحذيرات التصادم وخدمات الزمن الحرج الأخرى. يقترح المؤلفون أن امتدادات مستقبلية تتضمن مركبات متعاونة متعددة وتعلّماً مشتركاً قد تحسّن أكثر استخدام الطيف الراديوي في الشوارع الحضرية المزدحمة.

الاستشهاد: Brindha, S., Nasreen, P.P.S., Sagar, P. et al. Reinforcement learning based resource allocation scheme for vehicular communication in 5G networks for smart cities. Sci Rep 16, 15807 (2026). https://doi.org/10.1038/s41598-026-45209-6

الكلمات المفتاحية: 5G V2X, المدن الذكية, التعلم التعزيزي, كفاءة الطاقة, اتصالات المركبات