Чем больше роботов одновременно движется в общем пространстве, тем сложнее обеспечить их безаварийную работу без потери производительности. Классические алгоритмы требуют огромных вычислительных ресурсов либо заметно теряют в качестве решений. Ученые Московского физико-технического института (МФТИ) и Института искусственного интеллекта (AIRI) разработали алгоритм, способный строить безаварийные маршруты для миллиона автономных агентов одновременно. Они предложили метод активного дообучения Delta Data Generation (DDG). Решение позволяет повысить качество решений в задаче мультиагентного поиска путей (MAPF), где множеству роботов нужно проложить маршруты без столкновений.
На базе метода создан солвер MAPF-GPT-DDG — усовершенствованная версия нейросетевой модели MAPF-GPT. Модель с двумя миллионами параметров после дообучения достигла качества, сопоставимого с исходной моделью, имевшей 85 миллионов параметров. Скорость принятия решений — 163 микросекунды на агента. На карте 2048×2048 система скоординировала более 524 тысяч агентов со 100% успешностью, а при миллионе — с 99,9%.
Наша разработка впервые среди обучаемых систем успешно скоординировала движение миллиона виртуальных агентов на одной карте — это абсолютный рекорд для этого класса задач. Классические подходы либо не масштабируются, либо требуют огромных вычислительных ресурсов. MAPF-GPT-DDG эту проблему решил.
Обычно такие системы либо следуют жестким правилам, либо постоянно пересчитывают маршруты с нуля — это медленно и затратно. MAPF-GPT-DDG работает иначе: он учится на готовых примерах, а доучивается только на своих самых грубых ошибках. Это в разы экономит вычислительные ресурсы. Разработка открывает путь к управлению тысячами реальных роботов на крупных складах, в логистических центрах и городских сервисах доставки. Исследование опубликовано в трудах конференции IEEE/RSJ IROS 2025.
Ранее Наука Mail писала о том, что в МФТИ создали «цифровой мозг» для робоптиц.