التنقل الذاتي المقاوم للاضطرابات مع تضمين معرفة المجال للمركبات البحرية

لماذا يهم توجيه السفن في بحار هائجة

تعتمد العلوم والصناعة الحديثة بشكل متزايد على السفن الروبوتية والغواصات غير المأهولة لفحص الكابلات وصيانة مزارع الرياح البحرية واستكشاف أعماق المحيط. لكن هذه المركبات تعمل في بحر مضطرب حيث تدفعها الرياح والأمواج والتيارات عن مسارها باستمرار. يقدم هذا المقال طريقة جديدة لمساعدة الروبوتات البحرية على البقاء على المسار حتى حين يكون المحيط في أقصى حالات فوضاه، ما يعد بتشغيل أكثر أمانًا وتكاليف صيانة أقل وبيانات أكثر موثوقية من مياه العالم.

المحيط كمضمار عقبات متحرك

تمتد مهام البحرية اليوم من مسح الأرفف الجليدية في القارة القطبية الجنوبية إلى فحص صحة الكابلات البحرية التي تحمل حركة الإنترنت العالمية. في كل هذه الأعمال، يجب أن تتبع السفينة أو المركبة تحت الماء مسارًا محددًا بدقة مترية، وفي بعض الأحيان تمر بين هياكل كثيفة مثل قواعد توربينات الرياح. المشكلة أن المحيط ليس حوض اختبار هادئًا. تدفع الرياح العارمة، الأمواج الحادة والتيارات المتغيرة المركبات جانبًا، وتديرها وتبطئها. تفترض طرق التحكم التقليدية أن المهندسين يستطيعون كتابة معادلات دقيقة لحركة السفينة، لكن في البحار الحقيقية تكون تلك المعادلات غير مكتملة وسريعة التقادم. والنتيجة يمكن أن تكون أخطاء ملاحة كبيرة وفي حالات قصوى حوادث.

تعليم الآلات لغة الأمواج

يتبع الباحثون في هذه الدراسة مسارًا مختلفًا: بدلًا من الاعتماد على نموذج رياضي مثالي، يتيحون لنظام تعلّم أن يراقب ما يفعله البحر ويستجيب في الزمن الحقيقي. في صلب نهجهم شبكة عصبية خاصة تسمى شبكة كولموغوروف–أرنولد المتخصصة، أو SKAN. على عكس الذكاء الاصطناعي الصندوق الأسود التقليدي، بُنيت SKAN مع مراعاة إيقاعات البحر. يزوّد المصممون الشبكة بدوال بسيطة شبيهة بالموجات تلتقط كيف تميل الرياح والأمواج والتيارات إلى الارتفاع والانخفاض بمرور الوقت. تعمل هذه اللبنات مثل مجموعة نغمات موسيقية تستطيع الشبكة من خلالها تركيب "لحن" الاضطرابات الحقيقية المعقد، ما يسرّع التعلّم ويقلل كمية البيانات المطلوبة.

شريك تحكم يفكر بالخبرة

يجمع الإطار بين عنصرين رئيسيين: مراقب الاضطرابات ومتحكم خالٍ من النموذج. يستخدم المراقب شبكة SKAN لتقدير الدفعات والسحبات غير المرئية المؤثرة على السفينة في عدة اتجاهات في آن واحد. في كل لحظة، يعالج حركات الأخيرة ومعلومات حالة البحر ويخرج بتخمين أفضل للقوى وعزوم الدوران الحالية. المتحكم، الذي تم تدريبه من البيانات بدلاً من نموذج مصمم يدويًا، يقرر كيفية تعديل الدفع والتوجيه. والأهم أنه يتلقى حالة السفينة وتقديرات المراقب للاضطرابات، مما يتيح له إلغاء معظم تأثيرات المحيط قبل أن تتفاقم إلى أخطاء كبيرة. لجعل التدريب فعّالًا، يقسم المؤلفون بيانات الحركة المسجلة إلى شرائح متداخلة عديدة، مضاعفين عمليًا أمثلة التدريب المفيدة دون الحاجة إلى تجارب بحرية طويلة ومحفوفة بالمخاطر.

اختبار سفن وغواصات افتراضية

للتحقق من جدوى الفكرة، بنى الفريق محاكاة مفصلة لمزرعة رياح بحرية—ساحة اختبار شديدة القسوة حيث تنحرف التيارات حول الأبراج، وتكون الأمواج متقطعة وخلوّ المسافات الآمنة ضيقًا. أرسلوا سفينة سطحية افتراضية على ستة مسارات لفحص الكابلات بينما عرّضوها لسرعات رياح، وأطوال موجية ونماذج تيارات واقعية. بالمقارنة مع متحكم شهير يعتمد على التعلّم التعزيزي العميق، قلل نظامهم القائم على SKAN متوسط أخطاء متابعة المسار بنحو خمس، وحافظ على ثبات السفينة حتى في هبات رياح قوية وبحار عرضية. ثم اختبروا مركبة تحت مائية ذاتية مهمتها الدوران حول قواعد توربينات الرياح على مسارات حلزونية وشكل دمبل. مرة أخرى، أبقى الأسلوب الانحرافات صغيرة والحركات سلسة، حتى مع محاولات التيارات تحت الماء وتغيرات العمق لدفع المركبة بعيدًا.

التعلم أكثر من بيانات أقل

دقّقَت الدراسة أيضًا أداء مراقب الاضطرابات ذاته. عبر التدريب باستخدام شرائح الحركة الموسَّعة، استطاع المراقب القائم على SKAN مطابقة نحو 90% من الدقة التي تحققت عند استخدام مجموعة البيانات الأصلية الكاملة، على الرغم من أن جزءًا خامًا يعادل عشر هذه البيانات فقط هو الذي تم توسيعه. هذا يعني أن النظام يمكن تهيئته بعدد أقل بكثير من الأمثلة—وهي ميزة مهمة حينما يكون جمع البيانات الواقعية من السفن والغواصات مكلفًا ويستغرق وقتًا طويلاً. عندما كانت الأمواج والرياح والتيارات قوية، حافظ المتحكم المزود بهذا المراقب على أخطاء مسار محكمة التجمع، في حين أظهر نظام بلا تعويض انحرافات أكبر وأكثر تشتتًا.

رحلات أكثر أمانًا وذكاءً قادمة

بعبارات بسيطة، يوضح المؤلفون أن مزج معرفة البشر بسلوك البحر مع تعلّم الآلة الذي يتطلب بيانات، يجعل من الممكن توجيه الروبوتات البحرية بدقة أكبر عبر ظروف مضطربة دون نمذجة كل تفصيلة فيزيائية بعناية. يحول إطارهم حركة المحيط الفوضوية إلى معلومات قابلة للاستخدام يمكن للمتحكم أن يتصرف عليها بسرعة، مما يؤدي إلى مسارات أكثر سلاسة وأمانًا لكل من السفن السطحية والمركبات تحت الماء. ومع أن النتائج حتى الآن مستخلصة من محاكاة، فإن نفس الأفكار قد تساعد أساطيل مستقبلية من روبوتات المحيط—وربما الطائرات من دون طيار والسيارات ذاتية القيادة—على التكيّف مع بيئات غير متوقعة بالاعتماد على بيانات أقل ونماذج أبسط.

الاستشهاد: Zhao, Y., Ma, Y., Zhu, G. et al. Domain knowledge embedded anti-disturbance autonomous navigation for marine vehicles. Commun Eng 5, 82 (2026). https://doi.org/10.1038/s44172-026-00666-9

الكلمات المفتاحية: مركبات بحرية ذاتية, اضطرابات المحيط, تحكم بتعلّم الآلة, مزارع الرياح البحرية, متابعة المسار