Двухуровневая система управления эвакуацией
Организация эвакуации во время лесных пожаров осложняется быстрым распространением огня, перегрузкой дорожной сети и ограниченным количеством реальных данных для обучения алгоритмов. Поэтому исследователи тестировали систему в моделируемой городской среде, где можно воспроизводить различные сценарии развития чрезвычайной ситуации.Предложенная архитектура включает два уровня управления.
На нижнем уровне участники эвакуации самостоятельно выбирают маршрут, ориентируясь на локальную дорожную обстановку.
На верхнем уровне работает цифровой координатор LLM Commander, построенный на базе большой языковой модели. Он анализирует распространение пожара, загруженность дорог и общую ситуацию, после чего формирует рекомендации для управления транспортными потоками, например ограничивает движение по отдельным направлениям или предлагает альтернативные маршруты.
Объяснимые решения
Одной из ключевых особенностей системы стала ориентация на объяснимый искусственный интеллект (Explainable AI). Для каждого управляющего решения сохраняются причины его принятия: направление распространения огня, возникновение заторов, изменение количества людей, не успевающих покинуть опасную зону, и другие факторы.Эти сведения представляются в виде набора понятных правил, которые специалисты могут проверить и проанализировать. Такой подход основан на методике Cognitive Task Analysis (CTA), позволяющей сделать работу ИИ прозрачной для операторов экстренных служб.
Использование эпизодической памяти
Дополнительным элементом системы стала эпизодическая память (episodic memory). Она хранит информацию о ранее смоделированных сценариях и позволяет использовать опыт прошлых ситуаций при выборе стратегии эвакуации.Благодаря этому система способна эффективнее работать в новых условиях, отличающихся от сценариев, на которых проводилось первоначальное обучение.
Испытания показали рост эффективности
Работу алгоритма оценили в виртуальной городской модели с участием 150 человек.В базовом сценарии система управления на основе обучения с подкреплением обеспечивала успешную эвакуацию 92,6% участников. Однако после изменения расположения очага пожара эффективность снижалась до 67,1%.
Использование цифрового координатора на основе большой языковой модели повысило этот показатель до 74,2%, а добавление механизма эпизодической памяти позволило увеличить долю успешно эвакуированных до 82,5%.
При этом исследователи отмечают, что основное улучшение было связано не столько со снижением числа погибших, сколько с уменьшением количества людей, не успевавших покинуть опасную территорию в установленное время. В используемой модели большинство критических ситуаций возникало в первые минуты развития пожара и определялось расстоянием до очага возгорания, тогда как качество координации влияло главным образом на образование дорожных заторов и задержки эвакуации.
Перспективы применения
По словам младшего научного сотрудника Института ИИ МГУ Романа Сультимова, разработка демонстрирует, что большие языковые модели могут выполнять функции стратегического координатора, анализируя развитие чрезвычайной ситуации, используя опыт предыдущих сценариев и формируя понятные человеку рекомендации по организации эвакуации.Авторы подчёркивают, что пока система проверена исключительно в моделируемой среде. Полученные результаты предназначены для дальнейшего развития интеллектуальных систем поддержки принятия решений, обучения специалистов экстренных служб и отработки различных сценариев реагирования на чрезвычайные ситуации.
Источник: https://scientificrussia.ru/articles/sistemu-dla-evakuacii-pri-lesnyh-pozarah-predlozili-v-mgu
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
