Задача мультиагентного планирования путей (MAPF) возникает в различных областях робототехники: для заданных стартов и целей множества агентов требуется найти множество траекторий без столкновений. Всё чаще в MAPF используются обучаемые нейросетевые модели, и их качество определяется в том числе тем, на каких сценариях они обучались.
Главный вызов - получить модели, которые хорошо обобщаются при смене карт, плотности агентов и конфигураций задач. Случайная генерация обучающих эпизодов даёт много однотипных случаев и плохо покрывает редкие, но важные ситуации.
В докладе будет рассмотрен подход к эволюционной оптимизации обучающих сценариев: мы автоматически генерируем и эволюционируем карты для планирования так, чтобы обучение на них приводило к более сильным и устойчивым моделям MAPF. Обсудим, как применяются фреймворки и методы эволюционного поиска (AlphaEvolve/OpenEvolve/GigaEvo/SkyDiscover/EvoX), как задаются метрики качества и ограничения валидности сценариев, и какие риски важно контролировать (переоптимизация под метрики, шумный сигнал качества, стоимость оценивания).
👉🏻 Дата: 07.05.26, четверг в 17:00
📹 Трансляция: ВК или YouTube
Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!
#семинары #RL