Ера автономного пожежогасіння. В Австралії рої роботів зі штучним інтелектом долали вогонь із ефективністю 99%

Проєкт, реалізований компанією Cyborg Dynamics Engineering спільно з Університетом Гріффіта, продемонстрував здатність безпілотних платформ самостійно долати перешкоди та ефективно ліквідовувати кілька осередків займання одночасно. Головною особливістю технології є те, що вона дозволяє виконувати завдання високої складності без ризику для життя рятувальників.

Під час серії гібридних імітаційно-фізичних тестів було використано реальний наземний безпілотний транспортний засіб, який діяв узгоджено з чотирма віртуальними роботами-командирами. Система продемонструвала вражаючу точність: у 99,67% випадків роботам вдалося виявити та приборкати два імітовані пожежні осередки. Це стало можливим завдяки використанню методу багатоагентного навчання з підкріпленням (MARL), за якого штучний інтелект вчиться шляхом взаємодії з оточенням і обміну даними між окремими машинами.

Процес підготовки ШІ складався з трьох етапів: від опанування базової навігації одним роботом до координації цілого рою в умовах складного ландшафту з багатьма бар'єрами. У результаті роботи навчилися самостійно розподіляти обов’язки, за потреби розділяючись на групи для боротьби з різними джерелами вогню. Такий підхід значно знижує когнітивне навантаження на людей-операторів, оскільки система самостійно обробляє дані з численних датчиків і приймає рішення швидше, ніж людина, яка спостерігає за ситуацією через екран.

На сьогодні дистанційно керовані безпілотники вже допомагають евакуювати персонал і рятувати майно на гірничодобувних об'єктах Австралії. Проте впровадження повної автономності та «ройової поведінки» дозволить техніці реагувати на складні сценарії, які неможливо контролювати в ручному режимі.

Результати дослідження, опубліковані в журналі Engineering Applications for Artificial Intelligence, відкривають шлях до використання аналогічних алгоритмів у повітряних та підводних апаратах. Науковці планують і надалі вдосконалювати нейронні мережі, щоб навички, здобуті в цифровому моделюванні, максимально надійно працювали в реальних екстремальних умовах.