Если мост перекрыт, а опасность в другом месте: учёные МГУ предложили, как не сорвать эвакуацию

В Центре искусственного интеллекта МГУ имени М.В. Ломоносова разработали подход, который помогает системе эвакуации приспосабливаться к изменениям, используя прошлые успешные решения и проверяя их на актуальность. В экспериментах это повысило долю успешно эвакуированных с 39,2% до 92,4%. Работа представлена на конференции AAMAS 2026, сообщает пресс-служба МГУ.

При чрезвычайных ситуациях заранее составленный план эвакуации может не сработать: опасность может появиться в другом месте, некоторые дороги или мосты могут стать недоступными, а потоки машин — измениться. Поэтому система управления должна не только находить хороший маршрут в известных условиях, но и продолжать работать, если сразу несколько факторов изменились.

В работе учёные управляют не каждым человеком отдельно, а общими правилами движения. Например, система может запретить использовать определённый мост или направить поток к другому выезду. Эти решения заданы заранее и автоматически проверяются: нельзя отправлять людей по перекрытому маршруту.

Чтобы адаптироваться к новым условиям, автор использовал память о прошлых случаях. В ней хранятся успешные правила управления, информация о ситуации, в которой они применялись, и полученный результат. Когда возникает новая ситуация, система ищет похожий случай и берёт соответствующее решение.

Но просто повторить прошлое решение недостаточно. Если дорожная сеть изменилась, старый маршрут может вести, например, через теперь недоступный мост. Поэтому автор предложил дополнительно проверять найденное решение и при необходимости исправлять его с учётом текущего состояния дорог и мостов. Такой подход позволяет адаптировать стратегию без повторного обучения модели.

Подход проверили в симуляции городского движения. Рассмотрели несколько сценариев: изменение места опасности, изменение доступности дорог и одновременное изменение обоих факторов. Оценивали долю участников, успешно завершивших эвакуацию.

Самые заметные различия появились при одновременном изменении опасности и дорожной сети. Система на основе обучения с подкреплением обеспечивала эвакуацию 92,5% участников в исходных условиях, но при одновременном изменении двух факторов показатель падал до 32,7%. Стратегии на основе проверяемых правил управления в тех же изменённых условиях давали 74,3%.

Эксперименты также показали, что простое использование решений из памяти при изменении условий может ухудшить результат. При изменении дорожной сети использование ранее успешной стратегии обеспечивало эвакуацию только 39,2% участников. После проверки и корректировки маршрута с учётом доступной инфраструктуры этот показатель достигал 92,4% — без дополнительного обучения модели.

«При эвакуации условия могут измениться быстрее, чем мы успеем заново обучить систему. При этом просто взять решение, которое хорошо работало раньше, тоже недостаточно: например, часть дороги или мост уже могут быть недоступны. Поэтому мы рассматриваем подход, при котором система сохраняет успешные стратегии, находит подходящий прошлый случай, а затем проверяет и при необходимости адаптирует решение к текущей обстановке. Это позволяет адаптировать решение к изменениям без повторного обучения модели и одновременно сохранять возможность проверить, почему было принято конкретное решение», — отметил младший научный сотрудник Института ИИ МГУ и Центра ИИ МГУ Роман Сультимов.

Отдельное направление работы связано с использованием больших языковых моделей. В предложенной системе языковая модель не может сама придумать произвольный план эвакуации: она выбирает решение только из заранее определённого набора действий, после чего оно проходит автоматическую проверку. При этом можно зафиксировать, какой прошлый случай был найден, насколько он похож на текущую ситуацию, какие изменения были внесены и прошло ли решение проверку. Это позволяет потом проанализировать, как принималось решение.

Полученные результаты пока относятся к моделированию в одной искусственной городской среде и ограниченному набору управляющих действий. В дальнейшем автор планирует улучшить механизм выбора похожих ситуаций, расширить набор правил управления и проверить подход на разных дорожных сетях и в разных условиях.