Российские исследователи разработали алгоритм, который способен подобрать оптимальный маршрут движения для беспилотных аппаратов в трехмерном пространстве с большим числом различных препятствий. Об этом в среду сообщила пресс-служба Московского Физтеха (МФТИ).

"Проведенные эксперименты показали, что разработанный российскими учеными подход POLAMP превосходит современные базовые алгоритмы, как обучаемые, так и его необучаемые аналоги. При этом он требовал гораздо меньше примеров для генерации плана движения", - говорится в сообщении.

По словам разработчиков, первые проверки работы POLAMP показали, что такой алгоритм превосходит все существующие аналоги при работе как с небольшим, так и большим числом объектов, столкновение с которыми приведет к повреждению беспилотников. К примеру, в среде с 50 препятствиями он способен выбирать оптимальную траекторию движения с вероятностью 92%, тогда как большинство его конкурентов успешно решают эту задачу лишь в единичных случаях.

Этот алгоритм был разработан группой российских исследователей под руководством директора Центра когнитивного моделирования МФТИ (Долгопрудный) Александра Панова для определения оптимальной траектории движения беспилотников в среде с большим числом разнообразных препятствий. В своей работе он объединяет два популярных подхода - глобальное и локальное планирование, которые часто используются для подготовки маршрутов движения роботов.

Специалисты из МФТИ и их коллеги из Института искусственного интеллекта AIRI объединили плюсы и того, и другого подхода, опираясь на технологию обучения с подкреплением. Это позволило им значительным образом повысить точность генерации маршрутов беспилотников на коротких и длинных дистанциях, что было в особенности характерно для сложно устроенных сред с десятками возможных препятствий.

В дополнение к этому ученые разработали трехэтапный подход для обучения системы ИИ, в рамках которой алгоритм сначала учится передвигаться в пустом пространстве, а затем - в средах с неподвижными и движущимися препятствиями. Это позволяет одновременно повысить качество работы алгоритма и уменьшить количество времени, необходимого для ее тренировки. Это, как надеются ученые, сделает их разработку дополнительно привлекательной для разработчиков беспилотников.