Российские учёные из трёх ведущих научных центров — Института AIRI, ФИЦ ИУ РАН и МФТИ — представили революционную разработку в области управления роботами. Система MAPF-GPT буквально открывает новые горизонты в многоагентном планировании. В отличие от традиционных методов, использующих статические графы с предварительно рассчитанными маршрутами, MAPF-GPT способна принимать решения в режиме реального времени, мгновенно адаптируясь к изменениям окружающей среды.
Разработка российских учёных кардинально меняет подход к координации роботов. В основе системы лежит передовая архитектура трансформера, обрабатывающая последовательности из 256 токенов. Ключевой особенностью является уникальный механизм внимания, позволяющий роботам учитывать действия друг друга и принимать более точные решения. Система способна прогнозировать последствия своих решений и корректировать действия на лету.
Для обучения системы исследователи создали беспрецедентный по объёму датасет, содержащий 1 миллиард пар «наблюдение-действие». Этот массив данных, находящийся в открытом доступе, может использоваться научным сообществом для дальнейшего развития технологии.
По словам научного сотрудника группы «RL агенты» лаборатории «Когнитивные системы ИИ» Института AIRI Антона Андрейчука, MAPF-GPT станет мощным инструментом для развития методов многоагентного планирования. Система уже готова к внедрению в различных сферах, включая складскую логистику и промышленную автоматизацию.
Актуальность разработки подтверждается реальными примерами внедрения роботизированных систем в российской промышленности. Так, «Евраз НТМК» уже запустил автономные электрогрузовики производства «ЭвоКарго» для транспортировки проб металла и темплетов стальных заготовок. Две беспилотные машины успешно курсируют по маршрутам общей протяжённостью до 4 километров.
В перспективе MAPF-GPT планируется адаптировать для задач многоагентного обучения с подкреплением (MARL), используя среду SMAC на базе популярной игры StarCraft II. Это открывает новые возможности для развития технологии и её применения в более сложных сценариях.
