|
Híreink          Szakmai linkek |
Amikor a gépek egymástól is tanulnak: együttműködő tűzoltó robotok2026. október 07. 14:35
A kísérletA Queensland Defence Science Alliance (QDSA) által finanszírozott projektben a kutatók egy fizikai pilóta nélküli földi járművet és legfeljebb négy szimulált robottársat vetettek be. A feladat az volt, hogy közösen találjanak meg és oltsanak el több szimulált tűzfészket. A vegyes, részben valós, részben virtuális demonstrációban a fizikai jármű sikeresen kerülte ki az akadályokat, és összehangoltan dolgozott a virtuális csapattársakkal. Az eredményeket Timothy Mead és munkatársai az Engineering Applications of Artificial Intelligence folyóiratban közölték, „Multi-agent reinforcement curriculum learning for real unmanned ground vehicles” címmel. A tanulmány kivonata szerint a rendszer a többrobotos navigációs feladatokban majdnem 96%-os pontosságot ért el a tesztkörnyezetben. A kollaboratív tűzoltási forgatókönyvben az összehasonlításul használt alapmegoldásoknál jobban teljesített: két tűz megtalálásában és eloltásában 99,67%-os sikerarányt mértek. Dr. Hou Csö (Zhe Hou), a Griffith Egyetem Információs és Kommunikációs Technológiai Iskolájának szakembere, a projekt vezető kutatója szerint az eredmény a technológia valós környezeti alkalmazhatóságának erős potenciálját jelzi. Hou kiemelte, hogy a háromlépcsős, strukturált tanulási tantervvel kiképzett valós és szimulált járművek az alacsony szintű navigációt és a magas szintű, együttműködést igénylő feladatokat egyaránt elsajátították. Mi az a multi-agent reinforcement learning?A rendszer a multi-agent reinforcement learning (MARL), azaz többügynökös megerősítéses tanulás nevű mesterségesintelligencia-technikára épül. A megerősítéses tanulás lényege, hogy az MI „ügynöke” próbálkozással és a környezettől kapott jutalom- vagy büntetőjelek alapján tanulja meg, melyik viselkedés vezet a kívánt eredményhez. A klasszikus, együgynökös megközelítéssel szemben a MARL-ben több ügynök tanul egyszerre ugyanabban a környezetben – nemcsak a saját tapasztalataiból, hanem a többiek viselkedésére adott reakciókból is. A robotikai együttműködésben ez kulcsfontosságú. Ahol egy robot önmagában kevés, a MARL teszi lehetővé, hogy az ügynökök közös célért dolgozzanak, elkerüljék az ütközéseket, és felosszák egymás között a részfeladatokat. A kutatócsoport a tanítást három lépcsőre bontotta (ez a tantervalapú tanulás, curriculum learning), az egyszerűbb feladatoktól a bonyolultabbak felé:
Mead, a Cyborg Dynamics szoftvermérnöke az ASME-nek úgy fogalmazott: az együttműködés fokozatosan taníthatóvá válik, így a bonyolult csapatmunka a lépcsőzetes tanulásból bontakozik ki, nem kézzel megtervezett szabályokból. A robotok így emberi beavatkozás nélkül szerveződtek csapatokba, például különálló tűzfészkek megtalálására, és maguk osztották fel a tennivalókat. Hou szerint a szakaszolás gyorsítja a tanítást és stabilabbá teszi a robotok közös tanulását. A tanulás előre nem látott viselkedést is szült. Pozitív példa, hogy a robotok maguktól kialakítottak egyfajta elsőbbségadási szabályt, amely lerövidítette az átjutást a szűk átjárókon. Negatív példa, hogy a szimuláció pontatlanul modellezett fizikájával „visszaélő” viselkedések is megjelentek, ezeket a fejlesztés folytatása előtt ki kellett javítani. Szimulációból a valóságbaA kutatás legtanulságosabb részei a szimuláció és a valóság közötti átmenetből származnak, ahol egyúttal megmutatkoztak az elmélet gyakorlatba ültetésének buktatói is. Mead beszámolója szerint a valós tesztben a robotok kerülték az átjárható, magas füves területeket, és megpróbáltak áthajtani betonoszlopokon. Mindkettőt az okozta, hogy a szenzorok másként reagáltak a valós anyagokra, mint a szimulációban. A hibákat a szenzorok felszerelésének és beállításának módosításával javították. A hibrid tesztkörnyezet előnye, hogy egyetlen valós jármű mellett, szimulált csapattársakkal is ellenőrizhetők a többrobotos viselkedések, így nincs szükség egy teljes fizikai flottára. A gyakorlati háttér már létezik. Ryan Marple, a Cyborg Dynamics Engineering általános vezetője elmondta, hogy a cég által fejlesztett vezérlőrendszerekkel működő tűzoltó UGV-k (földi drónok) már ausztrál bányatelepeken dolgoznak. Ezeket jelenleg teljes egészében emberi kezelő irányítja távirányítással. A cég honlapja szerint a BIA5 ATR-FF tűzoltó robotjának elektronikai és irányítástechnikai integrációjában vett részt; a járműveket 2023 novembere óta szállítják nagy bányavállalatoknak, és a Rio Tinto nyugat-ausztráliai telephelyén tűzoltási gyakorlaton is használták. A mostani kutatás célja, hogy csökkentse a kezelők munkaterhelését, és a tűzoltókat még inkább kivonja a kockázatos környezetekből. Marple szerint a nagyobb autonómia azt is lehetővé teheti, hogy a robotok valós időben alkalmazkodjanak a változó körülményekhez, például akkor is helyesen osszák el a feladatokat, amikor az emberi kezelő figyelme korlátozott. Az ASME 2026. június 22-i összeállítása szerint a következő lépések a nagyobb csapatméret, a kiszámíthatatlanabb környezetekben is megbízható működés, és a valós tesztelés több fizikai járművel a hibrid elrendezés helyett. A módszert más autonóm rendszerekre, például víz alatti járművekre és drónokra is ki akarják terjeszteni. Mead szerint a következő években a kutatás egyre inkább azoknak a gyakorlati problémáknak a megoldása felé mozdul el, amelyeket szimulációban nehéz leképezni. Források
Képünk illusztráció, és MI felhasználásával készült. Ezt a hírt eddig 44 látogató olvasta. |
Egymással együttműködő, mesterséges intelligenciával vezérelt földi robotok emberi irányítás nélkül is fel tudják osztani egymás között az oltási feladatokat – ezt mutatta meg a Cyborg Dynamics Engineering és a Griffith Egyetem 2026 februárjában közzétett, és nyáron továbbgondolt kísérlete. Az eredmények ígéretesek, de egyelőre még viszonylag hosszú az út a tényleges gyakorlatba ültetésig.
