Ученые Центр искусственного интеллекта МГУ имени М.В. Ломоносова представил новый метод организации эвакуации, основанный на адаптации проверенных стратегий к меняющимся условиям без необходимости переобучения. Разработанная система запоминает предыдущие решения и сопоставляет их с текущим состоянием инфраструктуры, внося коррективы при необходимости. В ходе эксперимента, имитировавшего изменения в дорожной сети, применение механизма проверки и адаптации стратегий из памяти позволило увеличить процент успешно эвакуированных участников с 39,2% до 92,4%, по сравнению с простым воспроизведением ранее использованной стратегии. Результаты исследования были представлены на конференции AAMAS 2026.

В условиях чрезвычайных происшествий заранее подготовленные планы эвакуации зачастую оказываются неэффективными: источник опасности может располагаться в неожиданном месте, некоторые дороги или мосты могут быть перекрыты, а транспортные потоки – изменены. Таким образом, система управления должна обладать способностью находить оптимальные маршруты как в стабильных условиях, так и при одновременном изменении нескольких факторов.

В рамках исследования анализируется управление потоком людей при эвакуации не посредством индивидуальных инструкций для каждого человека, а с использованием общих правил движения. Предлагаемая система управления способна, к примеру, ограничивать проезд по определенному мосту или перенаправлять трафик на альтернативный выезд. Данные решения формулируются в стандартизированной форме и проходят автоматическую проверку на возможность реализации – исключается направление людей по заблокированным маршрутам.

Для обеспечения адаптивности к новым обстоятельствам разработчик применил подход, основанный на использовании эпизодической памяти. В ней накапливаются ранее принятые решения по управлению, вместе с данными о контексте их применения и полученных результатах. При возникновении новой ситуации система способна найти наиболее близкий аналог и использовать соответствующее решение.

Тем не менее, простого повторения ранее принятого решения оказалось недостаточно. В случае изменения дорожной сети, ранее оптимальный маршрут может оказаться недействительным, например, из-за недоступности моста. Поэтому автор предложил внедрить дополнительную проверку найденного решения и, при необходимости, вносить коррективы с учетом актуального состояния инфраструктуры. Такой метод позволяет адаптировать стратегию без повторного обучения модели.

Предложенный подход был протестирован в смоделированной городской среде. Исследователь изучил ряд сценариев: изменение местоположения источника опасности, изменение доступности дорожной инфраструктуры и одновременное изменение обоих факторов. Эффективность оценивалась по доле участников эвакуации, успешно достигших конечной точки.

Наиболее существенные расхождения наблюдались при одновременном изменении расположения источника опасности и состояния дорожной сети. Система, основанная на обучении с подкреплением, обеспечивала эвакуацию 92,5% участников в исходных условиях, однако при одновременном воздействии обоих факторов этот показатель снижался до 32,7%. Стратегии, использующие проверяемые правила управления, в аналогичных измененных условиях обеспечивали успешную эвакуацию 74,3% участников.

Исследования продемонстрировали, что применение ранее сохраненных решений при изменяющихся обстоятельствах может негативно сказываться на эффективности. Например, при модификации дорожной сети использование стратегий, которые были успешны в прошлом, позволило эвакуировать лишь 39,2% участников. Однако после анализа и корректировки маршрута с учетом текущей инфраструктуры этот показатель вырос до 92,4%, причем без необходимости дополнительного обучения модели.

«В условиях эвакуации ситуация может меняться гораздо быстрее, чем успеет произойти переобучение системы. При этом простое повторное использование решений, которые были эффективны в прошлом, не всегда целесообразно: например, участок дороги или мост могут оказаться недоступными. Поэтому мы рассматриваем подход, основанный на сохранении успешных стратегий, поиске наиболее подходящего аналога из прошлых ситуаций и последующей проверке и адаптации решения к текущим условиям. Это позволяет оперативно корректировать действия без повторного обучения модели и при этом обеспечивает возможность анализа причин принятого решения», — пояснил младший научный сотрудник Института ИИ МГУ и Центра ИИ МГУ Роман Сультимов.

Особое внимание уделяется использованию больших языковых моделей. В разрабатываемой системе языковая модель не генерирует план эвакуации самостоятельно, а выбирает оптимальное решение из предопределенного списка действий, после чего оно подвергается автоматической проверке. При этом фиксируется информация о том, какой прототип ситуации был найден, степень его соответствия текущей обстановке, какие изменения были внесены и прошла ли проверка решения успешно. Это позволяет проводить анализ процесса принятия решений в дальнейшем.

На данный момент полученные результаты касаются моделирования в рамках одной искусственной городской среды и ограниченного набора управляющих действий. В перспективе планируется совершенствование механизма подбора схожих ситуаций, расширение спектра правил управления и проверка предложенного подхода на различных дорожных сетях и в разнообразных условиях.

Информация предоставлена пресс-службой МГУ