В России разработали CAMAR: среду для обучения и тестирования большого числа автономных агентов
Сегодня, 20 февраля, информационное издание «ТАСС» со ссылкой на свои источники сообщило, что специалисты из Института AIRI и МФТИ сумели разработать универсальную среду, позволяющую обучать и тестировать алгоритмы управления большим количеством автономных агентов. Новинка получила название CAMAR и, по словам авторов проекта, предназначена для выполнения задач, требующих одновременной координации движений тысяч агентов в режиме реального времени. Например, подобные задачи необходимо решать в рамках автоматизации складских помещений, настройки городской логистики или построения инфраструктуры автономного транспорта.
«Мы хотели создать инструмент, который одновременно быстрый, гибкий и приближённый к реальным условиям. CAMAR позволяет проверять, как сотни агентов взаимодействуют в ограниченном пространстве, и делать это на скорости, которая раньше была недоступна», — объяснил Артем Пшеницын, исследователь группы RL-агентов Лаборатории когнитивных систем ИИ Института AIRI.
Разработчики рассказали, что каждый агент в рамках системы должен добираться до поставленной цели, не сталкиваясь при этом с другими участниками «движения», при этом главная фишка новой разработки в том, что она обеспечивает очень высокую скорость работы. Российские специалисты заявил, что CAMAR способна за 1 секунду в ходе симуляции просчитывать свыше 100 тысяч шагов движения автономного агента — это около 3 часов работы группы из 32 роботов на огромном складе по сортировке товаров. При этом на данный момент новая система способна корректно контролировать работу 800 роботов (и более), что довольно много даже в масштабах крупных предприятий.
Вторым важным преимуществом новой среды выступает повышенная гибкость — специалисты-люди могут задавать кастомные правила для управления движениями агентов, а также создавать карты различных типов. К примеру, можно сформировать как карту простого складского помещения, так и довольно сложную карту для плотной городской застройки. И, что немаловажно, CAMAR поддерживает гибридные решения по навигации в пространстве — можно применять как методы на базе ИИ, так и стандартные алгоритмы поиска маршрута. Это предоставляет возможность объективно оценить, какие методы лучше подходят для решения определённой задачи.
Примечательно, что проект является open-source и распространяется по лицензии MIT — его можно применять как для исследований, так и для компаний.
