Новый подход к координации огромных флотов роботов представила группа ученых из Московского физико-технического института (МФТИ) и Института искусственного интеллекта (AIRI). Исследователи разработали метод активного итеративного дообучения Delta Data Generation (DDG), позволивший их нейросетевой системе впервые среди обучаемых алгоритмов справиться с задачей безаварийного разведения миллиона агентов на общей карте. Руководитель научной группы — доктор физико-математических наук, профессор РАН, директор Центра когнитивного моделирования МФТИ и Лаборатории «Когнитивные системы ИИ» AIRI Александр Игоревич Панов. Работа опубликована в трудах международной конференции IEEE/RSJ IROS 2025.
В основе решения лежит трансформерная модель MAPF-GPT, ранее созданная этой же группой для мультиагентного поиска путей (Multi-Agent Path Finding, MAPF). Предобученная на большом массиве данных, она демонстрировала свойства фундаментальной модели: способность доучиваться на единичных примерах и без дополнительного обучения решать задачи, не встречавшиеся в исходной выборке. Однако масштабирование на очень большое число роботов и сценарии, где цели агентам выставляются последовательно одна за другой, выявило серьезный барьер. Когда в ограниченной зоне видимости отдельного робота оказывается слишком много соседей, модель сталкивается с ситуациями вне распределения (out-of-distribution) и начинает выдавать почти случайные действия.
Чтобы преодолеть это ограничение, авторы предложили алгоритм…
«Оказалос…
