تحديد المواقع داخل المباني باستخدام شبكات انتباه عميق معتمدة على CSI متعددة النطاقات لأنظمة MIMO اللاسلكية

إيجاد طريقك داخل المباني

يعمل نظام GPS بشكل ممتاز في الهواء الطلق، لكن ما إن تدخل إلى مركز تسوّق أو مصنع أو مستودع حتى تتدهور دقته بسرعة. ومع ذلك، تحتاج العديد من التقنيات الناشئة — من روبوتات المستودعات والطائرات الموزّعة إلى نظارات الواقع المعزّز — إلى معرفة موقعها داخل المباني بدقة تصل إلى بضعة سنتيمترات. تستكشف هذه الورقة كيفية تحويل الإشارات العادية من شبكات الواي‑فاي والخلايا المتقدّمة إلى أداة تحديد مواقع داخلية عالية الدقة باستخدام تقنيات الذكاء الاصطناعي الحديثة.

الاستماع بانتباه إلى أصداء الإشارة اللاسلكية

عندما يتواصل هاتفك مع محطة قاعدة، ترتد الإشارة عن الجدران والآلات والأشخاص قبل أن تصل. يلتقط المهندسون «بصمة» مفصّلة لهذه الرحلة تُسمى معلومات حالة القناة، أو CSI. تصف CSI كيف تتغير قوة الإشارة وتوقيتها واتجاهها أثناء الانتقال. تجمع محطات القاعدة الحديثة ذات MIMO الضخم، التي تستخدم عشرات الهوائيات، CSI كجزء من الاتصال الاعتيادي — دون حاجة إلى منارات أو حسّاسات إضافية. الفكرة في هذا العمل هي استخراج تلك البصمات الغنية لاستنتاج الموقع الدقيق للجهاز داخل الحجرة.

رؤية نفس الإشارة من زوايا متعددة

يبين المؤلفون أن CSI يصبح أكثر إفادة عند النظر إليه من عدة زوايا. يحوّلون البيانات الخام إلى ثلاث «مجالات» تكميلية. يركّز العرض الأول على كيف تصل الإشارات عبر الزمن، ملتقطًا الأصداء والتأخيرات. يبرز الثاني كيفية تصرّف الإشارة عبر ترددات الراديو المختلفة. يركّز الثالث على زوايا الوصول، كاشفًا كيف تنتشر الطاقة عبر اتجاهات مختلفة، شبيهًا بنمط إضاءةٍ يشبه الكشاف. لكل عرض، تمثَّل البيانات في شكلين رياضيين بسيطين، يقابلهما تقريبًا تقسيم الموجة إلى مقدارٍ واتجاه. يجمع دمج كل هذه العروض وصفًا متعدد الطبقات للبيئة اللاسلكية مرتبطًا بقوة بموقع المستخدم.

تعليم الشبكات العصبية كيفية الانتباه

اعتمدت الأبحاث السابقة بشكل أساسي على الشبكات العصبية الالتفافية، وهي فئة من نماذج الذكاء الاصطناعي مناسبة للتعرّف على الأنماط في الصور، لمعالجة CSI. وعلى الرغم من فعاليتها، تعامل هذه النماذج جميع أجزاء المدخلات على نحوٍ متساوٍ تقريبًا. في هذه الدراسة، يصمّم الباحثون بنية جديدة تسمى شبكة الانتباه العميق. لا تزال تستخدم طبقات التفافية لاستخراج الأنماط الأساسية، لكنّها تضيف بعد ذلك كتل انتباه تتعلم التركيز على الأجزاء الأكثر إفادة في كل عرض من عروض CSI وتعلُّم وزن العروض المختلفة مقارنة ببعضها البعض. في الجوهر، تتعلم الشبكة أي الأصداء والترددات والزوايا هي الأكثر أهمية لتحديد الموقع في مساحة داخلية مشوشة.

اختبار الدقة والسرعة

يقيم الفريق نهجه باستخدام مجموعة بيانات عامة سُجلت في مختبر مجهّز بمحطة قاعدة ذات 64 هوائيًا تفحص منطقة داخلية بعرض بضعة أمتار بخطوات مكانية دقيقة. يقارنون بين تركيبات مختلفة من عروض CSI وبنى الشبكات. إن استخدام المجالات الثلاثة معًا يتفوق باستمرار على استخدام أيٍّ منها بمفرده. تقدم شبكة الانتباه العميق أدنى الأخطاء النموذجية، غالبًا حول سنتيمترين، وتحافظ على هذه الدقة العالية عبر تخطيطات هوائيات مختلفة وكميات متفاوتة من بيانات التدريب. لكن هذا التحسّن يأتي بتكلفة: تستغرق نموذج الانتباه حوالي ضعف الوقت لمعالجة نفس عدد العينات مقارنةً بشبكة التفافية أبسط، لأن آلية التركيز تضيف حسابات إضافية.

موازنة الدقة والجدوى العملية

بمصطلحات يومية، تُظهر الدراسة أنه يمكننا تحويل شبكات الاتصالات المتقدمة الحالية إلى نوع من «نظام تحديد المواقع داخل المباني» الذي يعمل بدقة تصل إلى بضعة سنتيمترات، عبر تمكين الذكاء الاصطناعي من الجمع بعناية بين وجهات نظر متعددة حول كيفية ارتداد موجات الراديو داخل الحجرة. توفّر شبكة الانتباه العميق أدق تقديرات الموقع، لكنها تتطلب مزيدًا من قدرة الحوسبة والوقت، مما يجعلها أكثر ملاءمة للتطبيقات التي تكون فيها الموثوقية والدقة العالية أهم من الاستجابة الفورية. يهدف العمل المستقبلي إلى تبسيط هذه آليات الانتباه واختبارها في فضاءات داخلية أكثر تعقيدًا وتغيُّرًا، بما يقرب تحديد المواقع الدقيقة داخل المباني من التطبيق العملي في العالم الحقيقي.

الاستشهاد: Susarla, P., Mukherjee, A., Bulusu, S.S.K.C. et al. Indoor positioning with multi-domain CSI-based deep attention networks for MIMO wireless systems. npj Wirel. Technol. 2, 23 (2026). https://doi.org/10.1038/s44459-025-00021-y

الكلمات المفتاحية: تحديد المواقع داخل المباني, MIMO الضخم, معلومات حالة القناة, التعلّم العميق, شبكات الانتباه