برز الاهتمام حديثًا بتقانات "إنترنت المركبات IoV" نتيجة لتطورات أساسية في صناعة المركبات الذكية. يمكّن إنترنت المركبات من اتصال هذه المركبات بالشبكات العامة ومن التفاعل مع البيئة المحيطة، ويتيح للمركبات تجميع وتبادل المعلومات المتعلقة بالطرق والمركبات الأخرى. وقد جرى العمل على هذا الموضوع لتأمين حياة مستعملي الطرقات وخفض التصادمات وتحسين إدارة المرور وتوفير أمان الطرقات. إلا أن التطبيقات الواعدة للمركبات الذكية تواجه عددًا من التحديات؛ منها تجميع المعطيات الكبيرة وتوزيعها على المركبات والأشخاص المهتمين، ومنها توفير اتصالات سريعة وفعالة بين مختلف المركبات والتجهيزات الذكية (وهو ما يسمى الاتصالات من المركبة إلى كل شيء V2X)، ومنها معالجة خصوصية المجموعات الكبيرة من المعطيات والمركبات في نظم إنترنت المركبات.
 

تقدم تقانات الذكاء الصنعي حلولًا ذكية عديدة يمكن أن تساعد في هذا المجال. ويُعدّ التعلم الآلي من أهم أدوات الذكاء الصنعي التي يمكن أن تساعد على حل المسائل المذكورة آنفًا. فعلى سبيل المثال، يمكن استعمال التعلم الآلي لتجنب الحوادث الطرقية بتحليل سلوك قيادة المركبات والبيئة المحيطة بالاستعانة بالمعطيات الواردة من البيئة المحيطة.

يعرض البحث الحالي مسألة اتخاذ القرارات في الحوسبة عند الحافَة edge-computation اعتمادًا على التعلم الآلي والتعلم الآلي المعزز Deep Reinforcement Learning (DRL) في إنترنت المركبات IoV.

1- نظم النقل الذكي ITS وإنترنت المركبات IoV

فتحَ التطور السريع لنظم النقل الذكي Intelligent Transportation Systems ونظم الحوسبة الباب واسعًا أمام بحوث علمية في مجال أمان المرور الذكي التي ترمي إلى توفير الراحة والحلول الفعالة. وقد سخَّر الباحثون الذكاءَ الصنعي على نطاق واسع لأمثَلة الطرائق التقليدية الموجَّهة بالمعطيات في العديد من المجالات العلمية البحثية؛ فنظم المركبات إلى كل شيء V2X المعتمدة على الذكاء الصنعي، تحصل على المعلومات من مصادر متعددة كالسيارات والقطارات والباصات وغيرها، وتزيد من استيعاب السائقين وتنبؤاتهم لتجنُّب الحوادث. وقد ساعد هذا التقدم على فهم القيادة الذكية، التي كانت في الأصل مبنية على محاولة نسخ تصرفات السائقين في العالم الواقعي، إضافة إلى تجنب الأخطاء وتوفير أمان السائقين. وقد جرى اختراع عدة خدمات، كنمذجة المرور في الشوارع المزدحمة والقليلة الازدحام ومواءمة حركة المرور. وهو تطور يقع بين نظم المركبات الذاتية إلى إنترنت المركبات IoV. يسعي إنترنت المركبات IoV إلى تغيير التفاعل بين المركبات والمحطات الطرقية والمحطات المثبتة على متن المركبات والبيئات المحيطة، للوصول إلى تبادل المعطيات والوسائط المتعددة بين عدة شبكات. والدافع وراء إنترنت المركبات هو اعتماد هذا النظام وبناء خدمات مرتبطة بإنترنت الأشياء بين البشر والمركبات والمحطات الطرقية باستعمال شبكات مختلفة.

إن التعلم الآلي هو سرُّ نجاح المجالات الواسعة لتطبيقات الذكاء الصنعي. وقد تكون تقنيات التعلم الآلي من دون مراقبة (إشراف) unsupervised أو مع مراقبة (إشراف) supervised، وقد تكون للتعلم المعزز reinforcement learning. ففي حالة التعلم من دون مراقبة، يعتمد التدريب على معطيات غير موسومة untagged data، ويحاول التعلم الآلي إيجاد تمثيل مناسب للمعطيات غير الموسومة. أما في حالة التعلم مع المراقبة، فإنه يتعلم من مجموعة من المعطيات الموسومة. تدرب طرائق التراجع regression والتصنيف classification معطياتٍ مقطعةً أو مستمرة لتحقيق التنبؤ أو لاتخاذ القرارات. وأما التعلم المعزز فيحصل من خلال طريقة التعلم الوكيل وبالاستفادة من فكرة المكافأة، وتُعد إجرائيات ماركوف للقرارات Markov Decision Process مثالًا على التعلم المعزز RL. هذه الطريقة هي تقنية ممتازة لمعالجة عدة مسائل بحثية في شبكات المركبات، كأن يكون لدينا أمثَلة تعاونية لاستهلاك الوقود في منطقة محددة، والتنبؤ بأفضل طريق للمركبات الكهربائية، إضافة إلى جعل التصادمات المرورية في حدها الأدنى.

ونظرًا إلى أهمية الذكاء الصنعي في إنترنت المركبات، وتقديمه حلولًا ذكية في معظم تطبيقاتها، سنتحدث عن التعلم الآلي واستعمالاته في شبكات إنترنت المركبات. وذلك لأن الحوسبة السحابية ومسائل الخزن المؤقت في هذه الشبكات تُعدُّ من التحديات التي تتطلب طرائق أمثَلة ذكية. وهي تتعلق بعدة معاملات مثل: حالة القناة، وطبولوجيا ديناميكية للاتصالات، وإدارة تحصيص الموارد. من حيث البنية الأساسية لشبكات إنترنت المركبات، يقع الذكاء الصنعي في طبقة خاصة منفصلة مسؤولة عن البنية الأساسية السحابية الافتراضية. وتتصرف هذه الطبقة كدماغ لإدارة المعلومات. الشبكات العصبونية العميقة هي خوارزميات تعلم آلي جرى تطويرها لاتخاذ قرارات بناء على أفعال الموارد في إنترنت المركبات التي جرى تعلّمها.

نقدم فيما يلي دراسة نقدية لقرارات حوسبة الحافة^[1] النقالة اعتمادًا على تقانات التعلم، والتعلم المعزز العميق في اتصالات المركبات على شبكات إنترنت المركبات في حالة شبكة نموذجية تُستعمل فيها الحوسبة عند الحافة لإنترنت المركبات IoV Edge-Computing IoVEC ومستعمل نقال وحيد. تأتي مهام الجهاز كدفق في الزمن. تجري نمذجة إجرائية قرارات تفريغ دفق المهام على أنها إجرائية دفق ماركوف.

سنتحدث في الفقرات القادمة عن خلفية الموضوع ودوافعه؛ حيث سنتحدث عن معلومات تقانية ذات صلة، ودوافع استعمال التعلم الآلي الأمن في إنترنت المركبات، والذكاء الصنعي في إنترنت المركبات، ونناقش مسألة الاستفادة من الذكاء الصنعي في الوسائط المتعددة وإنترنت المركبات المعتمد على الحافة. وأخيرًا نتكلم عن دور الذكاء الصنعي في أمثَلة نوعية الخدمة QoS ونوعية الخبرة QoE، حيث تدير QoS موارد شبكة إنترنت المركبات IoV وتتحكم فيها بوضع أولويات مختلفة لكل نوع من المعطيات. أما نوعية الخبرة فتناقش تجانس الخدمة واستقرارها. ثم نقدم بعض تطبيقات التعلم الآلي في إنترنت المركبات.

2- الخلفية والدوافع

نظرًا إلى التطور الملحوظ في أبحاث الاتصالات اللاسلكية وتقاناتها، فقد وجب أن تهتم نظم النقل الذكي ^[2]ITS باتصالات المركبات. وما يزال عدد المركبات يتضاعف بسبب التزايد الهائل في أعداد الناس الذين ينتقلون من منطقة إلى أخرى، مما يسبب ازديادًا في الازدحام والحوادث على الطرقات؛ وهي من أهم مشاكل الحياة اليومية. والشكل الأعم لشبكات المركبات هي شبكات المركبات المخصصة ^[3]VANET التي تتضمن الاتصالات بين المركبات V2V^[4] واتصالات المركبات مع الطرق V2R^[5]. وتعتمد هذه الاتصالات على وحدات طرقية RSU^[6] تدعم النفاذ اللاسلكي في بيئات المركبات WAVE^[7]. تعمل الوحدات الطرقية كنقاط نفاذ للمركبات ضمن منطقة تغطيتها. وتتفاعل مع الاتصالات الخلوية لتحصل على خدماتها كالصوت مثلًا. ونظرًا إلى التوجه الحالي إلى ربط شبكات المركبات بمراكز المعلومات والحاجة إلى تبادل المعطيات نرى أن إنترنت المركبات يمكِّن من النفاذ إلى الإنترنت على متن المركبات؛ فهو يتصل بالإنترنت باستعمال عدة تقانات للشبكات اللاسلكية مثل: WiFi, 4G, IEEE WAVE وغيرها.

في السنوات الأخيرة، نشأت الحاجة إلى استعمال الذكاء الصنعي في تطبيقات إنترنت المركبات IoV لمواجهة تحديات مثل: مراقبة المرور وإدارته، ومعالجة كميات كبيرة من المعطيات، وإدارة الموارد والطاقة، والتفاعل الذكي مع الأشخاص للحصول على خدمات ذات نوعية جيدة.

 

3- طرائق الذكاء الصنعي في شبكات إنترنت المركبات IoV

ترتبط تقانات الذكاء الصنعي بالطبقة المسؤولة عن التقديم والوظائف في بنيان إنترنت المركبات ذي الطبقات. البنية الأساسية السحابية الافتراضية Virtual Cloud Infrastructure يمكن أن توصِّف هذه الطبقة وتكون مسؤولة عن خزن المعطيات الني يجري استقبالها من شبكة IoV ومعالجتها وتحليلها، واتخاذ القرارات المعتمدة على المعلومات التي جرى تحليلها.

في IoV تقوم نظم تحليل المعطيات الكبيرة Big Data Analysis (BDA)، ونظم الحوسبة السحابية للمركبات Vehicular Cloud Computing (VCC) بعمليات الحوسبة والتحليل. تقدم مخدمات الحوسبة السحابية الذكية العديد من الخدمات الذكية مثل الأمان، وإدارة المرور، والتسلية entertaining، والاشتراكات وغيرها. تمكّن المخدمات السحابية التي تعتمد على الذكاء الصنعي من معالجة المعطيات المرورية الهائلة الحجم في الزمن الحقيقي لإعطاء قرارات ذكية لخدمات الزبائن الذكية. وهي تستعمل الحوسبة الضبابية والسحابية لتطبيقات الأمان والتطبيقات المدنية.

ترتبط تحديات الحوسبة الضبابية والخزن المؤقت cashing بعدة عوامل منها: حالة قناة الاتصالات وطبولوجيا الاتصالات الديناميكية وإدارة تحصيص الموارد. يقدم الذكاء الصنعي والتعلم الآلي طرائق ذكية لحل معظم هذه التحديات، فهي تقدم وسائل تفاعل مع بيئة IoV وتمكّن من بناء وكلاء تتعلم معاملات التحديات وتقوم بأمثَلتها في كل استعمالات شبكة IoV.

إن وضع الذكاء الصنعي في بنيان شبكة IoV في طبقة منفصلة يؤدي إلى البنية الأساسية السحابية الافتراضية. وتكون هذه الطبقة بمثابة دماغ إدارة المعلومات. وهي تتضمن تحليل المعطيات الكبيرة والحوسبة السحابية والنظم الخبيرة.

1-3: طرائق الذكاء الصنعي لاتصالات الوسائط المتعددة في IoV

وهي تتطلب تجهيزات تمكِّن من تبادل المعطيات والتواصل مع التجهيزات الأخرى المحيطة. ويمكن القيام بذلك بواسطة الشبكات الشخصية المجال أو إنترنت الأشياء أو شبكات المحسات اللاسلكية. إن مرونة تبادل المعطيات هامة جدًّا في IoV لمكاملة المحسات الذكية والمركبات والأشخاص والمفعلات والآلات وغيرها، بحيث يتواصل الجميع. تحسِّن المحساتُ الذكية أمانَ المرور، ويحسِّن نقلُ المعطيات المرورية فعاليةَ المرور.

يبين الشكل التالي بنية اتصالات الوسائط المتعددة في عقد المحسات لشبكات IoV. في هذه البنية يمكن ترتيب المرور اعتمادًا على الصنف الذي يتضمن معطيات حساسة/معيارية، مخزنة سلفًا، في الزمن الحقيقي، العالي التمييزية.

 

2-3: الخوارزميات الذكية المعتمدة على الحافة في IoV

الحوسبة عند الحافة في IoV أو ^[8]IoVEC هي تقنية جديدة تمكّن المركبات من التواصل مع الحوسبة السحابية لتتمكن من تسليم خدمات سحابية مباشرة من حافة الشبكة ولتدعم التطبيقات ذات التأخير الحرج. ويمكن تنجيزها بوضع حواسيب مخدمات عند نقاط النفاذ الراديوية أو في المحطات القاعدية. ينشر الذكاء الصنعي نماذج تعلم آلي عند مخدمات الحافة والتجهيزات النقالة. وتؤدي نظم المعلومات عند الحافة دورًا حيويًّا وحيدًا في IoV؛ إذ إنها تساعد على تنفيذ وظائف المركبات الذكية: تجميع المعطيات، ومعالجتها، وإرسالها إلى المفعلات (التي تقوم بالأفعال).

 

3-3: طرائق الذكاء الصنعي في V2X (من المركبات إلى أي شيء).

يمكن أن يساعد الذكاء الصنعي في تطبيقات المركبات بتنفيذ المهام على نحو ذكي: مثل تحسين قبس (توصيل) شاحن المركبات الكهربائية، وخفض استهلاك الوقود، وتحسين الخدمات المعتمدة على الموضع، وتصحيح حالات الاكتظاظ. ويمكن الحصول على دفق المعلومات المرورية من عدة مصادر؛ مثل: حلقات التحريض، ومراكز الخدمات التي تعطي معلومات عن الازدحام والمركبات، وكمرات تلفزية.

ثمة مواضيع ثلاثة أساسية في نظم اتصالات المركبات إلى أي شيء: أمان الطرقات، وفعالية الطاقة، وفعالية المرور. وهو يعتمد على تشارك المعلومات بين عدة نظم؛ مثل: المركبة للبنية الأساسية V2I، وبين المركبات V2V، والمركبات إلى الطرق V2R، والمركبة إلى نفسها V2S، والمركبة إلى المشاة V2P. ويمكن للذكاء الصنعي أن يقدم طرائق جديدة لتطبيقات V2X مثل التنبؤ بالدفق المروري وإدارته مع الأخذ في الحسبان معطيات بالزمن الحقيقي والتطبيقات المعتمدة على التموضع وخزن المعطيات في المركبات ووسائل النقل الذاتية والتحكم بالازدحام. وأكثر تقنيات استعمال الذكاء الصنعي هنا هي التقنيات التجريبية الكسبية Heuristics والربوتيك ونظرية الألعاب والنظم الخبيرة والتعلم والخوارزميات التطورية والتخطيط والجدولة ومعالجة اللغات الطبيعية وذكاء الأسراب والمنطق العائم (الترجيحي) fuzzy logic والتعلم الآلي وغيرها. وهي تساعد أيضا في أمان نظم النقل الذكية.

4- الذكاء الصنعي ونوعية الخبرة

في IoV تقدم نوعية الخبرة Quality of Experience QoE معيارًا لقياس أداء الشبكة ورضا الزبون عنها. حيث تحاول ضمان نقل معطيات عالي الجودة بإجراء قياسات مستمرة لنوعية الخبرة وضمان اتصالات مرنة وبحجوم متفاوتة بين مختلف مكونات الشبكة؛ مثل: العربات، والمحسات، والأشخاص، والمفعلات، والآلات وغيرها.

لقد غير الذكاء الصنعي وجه IoV بفضل الاتصالات المتعددة الوسائط، وأمثَلة اختيار التوجيه للحصول على نقل مستقر لمحتوى الوسائط المتعددة على شبكات IoV. يمكن للذكاء الصنعي أن يطور آليات تحذير استهلاك طاقة وذاكرة لتحسين نوعية الخدمة ونوعية الخبرة أثناء نقل المعطيات المتعددة الوسائط.

5- تطبيقات التعلم الآلي في IoV

 للتعلم الآلي نماذج وتصنيفات وطرائق تدريب مختلفة يمكن الاستفادة منها في حل مسائل التنبؤ والإدارة الذكية. في تطبيقات IoV يقدم التعلم المعزز سلوكًا يدعم المرونة وقابلية التوسع. يمكنه أن يختار التوجيه الأمثل لشبكات IoV. ويمكن استعمال التعلم الآلي مع الشبكات المعرفة برمجيًّا SDN لضمان التقليل من تأخر وصول المعطيات ورفع إنتاجية الشبكة وتحسين استراتيجيات التشغيل والصيانة. كما يمكنهما معًا نشر حلول أمنية لـ IoV. فيما يتعلق بالأمن، فإن التحكم المركزي بطبقة البرمجيات مع إمكان النفاذ لـ API سيكون مناسبًا لتطوير تفاعل برمجي مع مستوى المعطيات في الشبكات المعرفة برمجيًّا لتزويد طبقة التطبيقات بإحصائيات بناء على طلب المركبات.

يمكن للتعلم الآلي المساعدة في نظم القيادة الآلية والتحكم في المركبات للحصول على قيادة خالية من الأخطاء والحفاظ على الأمان والخصوصية. إضافة إلى خدمات استراتيجية؛ مثل: مراعاة سلوك القيادة، ومراقبة الصحة، وتحليل الأنماط والعواطف، وتحصيص موارد الشبكة وأمثَلتها.

 

ختامًا، نعلم أن التعلم الآلي يؤدي دورًا حيويًّا في معظم تطبيقات إنترنت الأشياء التي تعتمد على إدراك الأحداث والتنبؤ بها. ومن هذه التطبيقات التطبيق IoV الذي يتطلب تطوير خوارزميات ذكية للقيادة الذاتية. في IoV فإن التقارب بين التعلم الآلي وإنترنت الأشياء يَعِدُ بتطورات مستقبلية من جهة الفعالية والدقة وإدارة الموارد. إضافة إلى أداء عال في الاتصالات والحوسبة للحصول على تحكم فعال وإدارة فعالة وإجراءات اتخاذ قرار فعالة. وكذلك يمكِّن التعلم الآلي من استخراج معطيات محسات كبيرة للحصول على رؤية أفضل للمشاكل المرافقة لإنترنت المركبات والبيئات المحيطة مع إمكان اتخاذ قرارات تشغيلية حرجة، إضافة إلى تحسين تفاعل IoV مع المكونات المادية والسيبرانية التي يمكن أن تحسِّن أداء نظم إنترنت المركبات. يمكنه أيضًا تطوير تطبيقات حركية تعتمد على التوصيف الحقيقي الثلاثي الأبعاد للأغراض والإدراك الرباعي الأبعاد للقيادة الذاتية.

وإذا كان الجيل الخامس لـ IoV يضم تقنيات ذكاء صنعي، فإن الجيل السادس سيعتمد التعلم الآلي وربما يتحفنا بمفاجآت سعيدة.