Искусственный интеллект поможет ускорить эвакуацию
Ученые Центра искусственного интеллекта МГУ разработали подход к координации эвакуации, который позволяет адаптировать ранее успешные стратегии к изменившимся условиям — без переобучения модели, сообщает пресс-служба университета. Результаты были представлены на 25-й Международной конференции по автономным агентам и многоагентным системам AAMAS 2026, прошедшей в Пафосе (Кипр).
В чем проблема
При чрезвычайных ситуациях заранее подготовленный план эвакуации может оказаться бесполезным: очаг опасности смещается, дороги и мосты выходят из строя, транспортные потоки меняются. Система управления должна не просто прокладывать оптимальный маршрут в знакомых условиях, но и сохранять работоспособность, когда меняются сразу несколько факторов.
Как устроена система
Исследователи предложили управлять не каждым участником эвакуации по отдельности, а общими правилами движения. Например, система может ограничить использование конкретного моста или перенаправить поток к другому выезду. Каждое решение формулируется в виде заранее определенных правил и автоматически проверяется на выполнимость — система не должна отправлять людей по уже перекрытому маршруту.
Для адаптации к новым условиям используется эпизодическая память. В ней сохраняются успешные правила управления из прошлых ситуаций вместе с описанием обстановки, в которой они применялись, и достигнутым результатом. При возникновении новой угрозы система находит похожий случай и берет оттуда готовое решение.
Однако простого воспроизведения прошлого опыта оказалось недостаточно. Если дорожная сеть изменилась, некогда успешный маршрут может вести через уже недоступный мост. Поэтому авторы добавили этап проверки и корректировки: найденное решение адаптируется под текущее состояние инфраструктуры — и всё это без повторного обучения модели.
Наиболее заметные различия проявились при одновременном изменении расположения опасности и дорожной сети. Система на основе обучения с подкреплением обеспечивала эвакуацию 92,5% участников в исходных условиях, однако при одновременном изменении двух факторов показатель снижался до 32,7%. Стратегии, основанные на проверяемых правилах управления, в тех же измененных условиях обеспечивали эвакуацию 74,3% участников.
Эксперименты также показали, что простое использование решений из памяти при изменении условий может ухудшать результат. При изменении дорожной сети использование ранее успешной стратегии обеспечивало эвакуацию только 39,2% участников. После проверки и корректировки маршрута с учетом доступной инфраструктуры этот показатель достигал 92,4% — без дополнительного обучения модели.
Авторы исследования подчеркивают, что пока речь идет о моделировании в одной искусственной городской среде с ограниченным набором управляющих действий. В планах — усовершенствовать механизм поиска похожих ситуаций, расширить набор правил управления и проверить подход на разных дорожных сетях и в различных условиях.
|
|
|
