ذكاء اصطناعي روسي ينسق حركة مليون روبوت على خريطة واحدة محققا رقما قياسيا
© Photo / /unsplash/Mohamed Nohassi
تابعنا عبر
طور باحثون من معهد موسكو للفيزياء والتكنولوجيا ومعهد أبحاث الذكاء الاصطناعي "AIRI" طريقةً للتعلم النشط مكّنت شبكة عصبية من تنسيق حركة مليون روبوت افتراضي مع تجنب الاصطدامات، وحقق النظام نسبة نجاح بلغت 99.9% على خريطة محاكاة كبيرة، مع العلم أن التجربة كانت في الأساس اختبارًا علميًا لقابلية التوسع، وليست عرضًا عمليًا يشمل مليون روبوت حقيقي.
لماذا يُعد تنسيق أساطيل الروبوتات الكبيرة أمرًا صعبًا؟
تستخدم المستودعات ومراكز الفرز بشكل متزايد الروبوتات المتنقلة لنقل البضائع، ويجب أن تصل كل آلة إلى وجهتها دون الاصطدام بالروبوتات المجاورة، أو سد الممرات الضيقة، أو التسبب في ازدحام مروري يُبطئ العملية برمتها.
يُعرف هذا التحدي باسم إيجاد المسار متعدد العوامل، أو (MAPF)، حيث يجب على النظام حساب مسارات متوافقة للعديد من العوامل المتحركة بشكل مستقل، مع الاستجابة باستمرار للتغيرات في مواقعها وأهدافها. مع ازدياد عدد الروبوتات، يتزايد عدد التفاعلات المحتملة بسرعة، مما يجعل أساليب التخطيط التقليدية أكثر تعقيدًا.
كان الباحثون قد ابتكروا سابقًا (MAPF-GPT)، وهو نموذج تحويلي تم تدريبه على مجموعة كبيرة من أمثلة الملاحة، وكان النموذج قادرًا على التكيف من عدد قليل من الأمثلة الجديدة وحل بعض المواقف غير الموجودة في بيانات التدريب الأصلية، إلا أن أداءه تراجع عند دخول أعداد كبيرة جدًا من الروبوتات إلى نفس المنطقة.
وكان بإمكان كل روبوت مراقبة منطقة محيطة محدودة فقط، وعندما دخل عدد كبير جدًا من الروبوتات المجاورة إلى مجال الرؤية هذا، واجه النموذج مواقف غير مألوفة تُعرف باسم حالات خارج التوزيع، فأصبحت قراراته عشوائية تقريبًا، ما زاد من خطر الاصطدامات أو حالات الجمود.
الذكاء الاصطناعي يتعلم من أصعب أخطائه
للتغلب على هذه المشكلة، طور الفريق توليد بيانات دلتا، أو (DDG)، وهي طريقة ضبط دقيق تكرارية نشطة مدمجة في نظام جديد يُسمى (MAPF-GPT-DDG). بدلاً من إعداد مجموعة بيانات تدريبية إضافية ضخمة مسبقاً، يختبر النظام قدراته الحالية، ويحدد الحالات التي يُظهر فيها قصوراً، ثم يستعين بخوارزمية تخطيط خبيرة، تُوصف بأنها مرجعٌ موثوق، لتوفير السلوك الأمثل لتلك الحالات الصعبة فقط.
تُضاف الأمثلة الجديدة إلى بيانات التدريب، ويُعاد ضبط النموذج، وتُكرر العملية حتى يصبح النموذج أكثر موثوقية في المواقف المعقدة، مثل فصل العديد من العناصر داخل بيئات ضيقة أو شبيهة بالمتاهة، وتُعد هذه الاستراتيجية المُوجّهة أكثر كفاءة من مطالبة الخبير بحل كل سيناريو مُحتمل، لأن الجهد الحسابي يُركز على نقاط ضعف النموذج بدلاً من المواقف التي يفهمها بالفعل.
ووفقاً لقائد البحث ألكسندر بانوف، فإن أساليب التعلم المعزز القياسية، مثل (GRPO) والضبط الدقيق العادي، لم تكن كافية لهذه المشكلة متعددة العناصر، بل كان من الضروري إعادة التدريب النشط لكي يتمكن النموذج من طلب الأمثلة التي ظلت صعبة في كل مرحلة.
رقم قياسي مع مليون وكيل افتراضي
اختبر الباحثون النظام على خريطة محاكاة بأبعاد 2048 × 2048 خلية، حيث نجح النظام المطور في تنسيق أكثر من 524,000 وكيل بنسبة نجاح 100%، بينما حقق الاختبار الذي شمل مليون وكيل نسبة نجاح بلغت 99.9%، وبلغ زمن اتخاذ القرار 163 ميكروثانية لكل وكيل، ما سمح للنظام بحساب التحركات بسرعة حتى عندما وصل حجم الأسطول المُحاكى إلى مستوى غير مسبوق.
وتضمنت نتيجة أخرى حجم الشبكة العصبية، فبعد تدريب DDG، أنتج نموذج يحتوي على مليوني مُعامل فقط جودة حل تُضاهي جودة النموذج الأصلي الذي يحتوي على 85 مليون مُعامل.
المُعاملات هي القيم العددية القابلة للتعديل التي تتعلم الشبكة العصبية من خلالها الأنماط، وعادةً ما يتطلب النموذج الأصغر حجمًا ذاكرة وقدرة حاسوبية أقل، لذا فإن تحقيق أداء مماثل باستخدام ما يقارب عُشر عدد المُعاملات يُشير إلى أن اختيار أمثلة التدريب بعناية قد يكون في بعض الأحيان أكثر قيمة من مجرد زيادة حجم النموذج.
أهمية هذا الإنجاز
تستخدم مراكز الخدمات اللوجستية الكبيرة أساطيل تضم مئات أو آلاف الروبوتات المتنقلة، حيث تقوم منصات روبوتية مسطحة بنقل رفوف التخزين أو الطرود، بينما يقوم برنامج التحكم بحساب المسارات وتصحيح الأخطاء باستمرار.
في هذه البيئات، حتى عطل بسيط في نظام الملاحة قد يعيق حركة المرور ويؤخر العديد من الآلات الأخرى، لذا يجب على نظام إدارة حركة المركبات الآلي (MAPF) الفعال اتخاذ القرارات بسرعة، ومنع التصادمات، والتكيف عند تعيين وجهات جديدة بالتتابع أثناء التشغيل.
لا تعني تجربة المليون عامل أن المستودعات تحتاج حاليًا إلى أساطيل بهذا الحجم، كما أشار بانوف، فقد كان هدفها المباشر هو اختبار حدود أنظمة التنسيق القابلة للتدريب، ومع ذلك، تُظهر النتيجة أن التعلم النشط يمكن أن يُهيئ نماذج مُدمجة نسبيًا للبنى التحتية المستقبلية التي تحتوي على أعداد أكبر بكثير من الآلات ذاتية التشغيل.
المصدر | بوابة روسيا العلمية |
