arXiv · 22.06.2026 ·Исследования и наука

Децентрализованное управление трафиком для автономных летательных аппаратов

Исследователи представили концепцию децентрализованной системы управления движением для автономных летательных аппаратов, работающих в условиях высокой плотности трафика. С ростом числа беспилотных систем традиционные централизованные методы координации перестают справляться с нагрузкой, что требует перехода к более гибким архитектурам. В качестве решения предложено использование специализированных коридоров для перспективной воздушной мобильности (AAM), которые позволяют организовать потоки автономных аппаратов без участия единого диспетчерского центра.

Предложенный подход базируется на сетевой структуре коридоров, где каждый аппарат самостоятельно принимает решения о траектории движения, опираясь на локальные данные и правила взаимодействия с другими участниками. Такая модель обеспечивает масштабируемость системы, позволяя интегрировать тысячи единиц техники в единое воздушное пространство. Авторы работы разработали математический аппарат для оптимизации маршрутов, который минимизирует риск столкновений и задержек при сохранении высокой пропускной способности транспортных узлов.

Результаты моделирования показывают, что децентрализованное управление значительно эффективнее справляется с динамическими изменениями в плотных потоках по сравнению с жесткими централизованными протоколами. Разработка открывает путь к созданию автономных систем управления для городской аэромобильности и логистических сетей будущего, где требуется высокая степень автоматизации и устойчивость к сбоям в отдельных узлах сети.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Децентрализованный алгоритм локализации для групп мобильных роботов Исследователи представили новый метод координации групп мобильных роботов, который позволяет им определять свое местоположение относительно друг друга без использования внешней инфраструктуры, такой как GPS или заранее установленные маяки. Алгоритм опирается исключительно на данные измерений дальности между участниками группы, что делает его пригодным для развертывания в неструктурированных и динамически меняющихся условиях. arXiv · Машинное обучение Фреймворк Lagrange для автономного вождения в открытых средах Исследователи представили Lagrange — новый подход к созданию систем автономного вождения, основанный на энергетических моделях и разреженных вычислениях. В отличие от традиционных плотных сетей, таких как сетки заполнения (occupancy networks), которые требуют значительных вычислительных мощностей для обработки геометрических данных, Lagrange фокусируется на эффективности представления пространства. Это позволяет модели лучше адаптироваться к нестандартным дорожным ситуациям и редким сценариям, с которыми сложно справляться классическим алгоритмам. Hacker News · Оркестрация агентов DeLM: децентрализованный подход к управлению мультиагентными системами Исследователи из Стэнфорда представили метод DeLM (Decentralized Language Modeling), который позволяет оптимизировать взаимодействие нескольких ИИ-агентов без использования центрального оркестратора. Традиционные системы мультиагентного взаимодействия часто полагаются на управляющий узел, который распределяет задачи и координирует действия, что создает узкие места в производительности и увеличивает накладные расходы на вычисления. arXiv · Исследования и наука Генеративная модель для симуляции транспортных потоков на перекрестках Исследователи представили Enactor — генеративную модель, предназначенную для микросимуляции движения транспорта на регулируемых перекрестках. В отличие от традиционных систем, опирающихся на жестко заданные правила поведения водителей, новая разработка использует агентно-ориентированный подход. Это позволяет точнее воспроизводить сложные взаимодействия между автомобилями, которые часто упускаются классическими алгоритмами. arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Машинное обучение Новый метод безопасного обучения с подкреплением для долгосрочных задач Исследователи представили новый подход к решению проблемы безопасного исследования в обучении с подкреплением (Reinforcement Learning). Основная сложность заключается в том, что агенты должны максимизировать производительность, строго соблюдая ограничения безопасности. В задачах с длинным горизонтом планирования текущие методы часто сталкиваются с накоплением ошибок оценки и ограниченными возможностями для поиска оптимальных стратегий, что делает их недостаточно надежными. Hacker News · Машинное обучение Автоматизация проектирования нейросетей для граничных вычислений Разработчики представили подход к автоматизированному поиску архитектур нейронных сетей (NAS), оптимизированный для работы на устройствах с ограниченными вычислительными ресурсами. Технология позволяет автоматически подбирать структуру модели так, чтобы она сохраняла высокую точность при минимальных требованиях к оперативной памяти и энергопотреблению. Это решает проблему переноса тяжелых моделей на оборудование уровня Edge AI, где использование стандартных архитектур часто невозможно из-за жестких ограничений по железу. arXiv · Инфраструктура для агентов Иерархическое восстановление в кросс-девайсных агентных системах Исследователи представили новый подход к управлению сбоями в агентных системах, работающих одновременно с несколькими устройствами и приложениями. Текущие решения при возникновении ошибки часто прибегают к полной перезагрузке стратегии или повторному назначению подзадачи, что неэффективно в динамических средах. Предложенный метод иерархического восстановления позволяет агентам точечно исправлять ошибки на различных уровнях выполнения, не прерывая общий рабочий процесс. arXiv · ИИ в бизнесе Оптимизация зарядки электромобилей с помощью обучения с подкреплением Исследователи представили новый подход к управлению зарядкой электромобилей, основанный на обучении с подкреплением (Reinforcement Learning). Метод решает проблему нестабильности энергосетей, возникающую из-за резкого роста числа электрокаров и пиковых нагрузок. Главная сложность, которую удалось преодолеть — отсутствие точных данных о времени отъезда автомобиля, что является критическим фактором для планирования энергопотребления. arXiv · Машинное обучение Новый метод повышения устойчивости многоагентных систем в условиях неточных моделей Исследователи представили новый математический подход к решению проблемы расхождения данных между тренировочными симуляторами и реальной средой в многоагентном обучении с подкреплением (MARL). В реальных условиях разрыв между моделью и действительностью часто приводит к резкому падению производительности агентов, так как стратегическое взаимодействие между ними усиливает любые ошибки прогнозирования. Авторы работы предлагают использовать принципы дистрибутивной робастности для оптимизации стратегий.

← Все материалы