VREM-FL: تصميم متكامل يراعي الحركة لجدولة الحوسبة في التعلم المفوض للمركبات

تكتسب القيادة المساعدة والذاتية زخمًا سريعًا وستصبح قريبًا واقعًا ملموسًا. ويعتبر الذكاء الاصطناعي والتعلم الآلي من العوامل المحورية التي تُمكّن من تحقيق ذلك، وذلك بفضل الكمية الهائلة من البيانات التي ستجمعها المركبات الذكية من أجهزة الاستشعار المثبتة فيها. ومن بين التقنيات الواعدة جدًا لتدريب النماذج التعلُّمية العالمية مع الحفاظ على خصوصية البيانات وتحسين استخدام موارد الاتصالات، يُعد التعلم المُتَّفَق عليه (Federated Learning) أحد أبرزها. في هذا المقال، نقترح نموذجًا جديدًا يُسمى "التعلم المُتَّفَق عليه لخرائط بيئة الراديو في البيئة المرورية" (VREM-FL)، وهو تصميم متكامل بين الحوسبة وتخطيط الجدولة لدعم التعلم المُتَّفَق عليه في البيئة المرورية، حيث يدمج حركة المركبات مع خرائط بيئة الراديو 5G. ويُحسّن VREM-FL أداء النموذج العالمي بشكل مُشترك، ويُوزّع بشكل ذكي موارد الاتصال والحوسبة. ويتم تحقيق ذلك من خلال تنسيق الحوسبة المحلية على المركبات، وربطها بنقل نماذجها المحلية بطريقة تكيفية وتنبؤية، وذلك باستغلال خرائط قنوات الراديو. كما يمكن تكييف الخوارزمية المقترحة لتُوازن بين وقت التدريب واستهلاك موارد الراديو. وقد أظهرت النتائج التجريبية أن نموذج VREM-FL يتفوّق على النماذج المُعتمدة في الأدبيات العلمية، سواء في حالة نموذج الانحدار الخطي (بخفض زمن التعلّم بنسبة 28٪)، أو في حالة الشبكة العصبية العميقة لتصنيف الصور معنويًا (مضاعفة عدد تحديثات النموذج ضمن نفس النافذة الزمنية).