AI-nyhederUniversity of Texas løser svær koordineringsopgave med AI
Ny metode lader AI-agenter planlægge i fællesskab med plads, tid og regler for indbyrdes afstand. Forskerne bag hedder Sheryl Paul og kolleger fra University of Texas.
Det er sket
Forskere fra University of Texas har udviklet en ny metode kaldet STL-GO, der hjælper flere AI-agenter med at planlægge sammen. Det nye er, at systemet tager højde for både tid, sted og regler for, hvordan agenterne må bevæge sig i forhold til hinanden – noget, tidligere modeller ofte har overset.
Hvad kan det bruges til
Metoden kan bruges i alt fra robotter på en fabrik til droner, der skal undgå hinanden i luften. I stedet for at planlægge hver for sig, lærer agenterne at koordinere med fælles mål og begrænsninger. Det gør systemet mere fleksibelt og effektivt i komplekse, virkelige situationer.
Forskellen fra før
Tidligere systemer kunne håndtere tid og sted, men havde svært ved at forstå topologiske regler – for eksempel at to robotter ikke må krydse samme vej på samme tid. STL-GO kombinerer begge dele i én samlet planlægning, hvilket giver mere troværdige resultater i test.
- STL-GO står for Signal Temporal Logic med geometriske optimeringer.
- Metoden er udviklet af Sheryl Paul og fem andre forskere fra University of Texas.
- Systemet integrerer spatio-temporale og topologiske begrænsninger i én model.
- Relevante anvendelser inkluderer robotter, droner og autonome køretøjer.
- Forskningen er uploadet til arXiv og kan ses i fuld tekst online.
Du får mere pålidelige og sikre robotter og droner i fremtiden, fordi de kan koordinere komplekse bevægelser sammen – fx på en travl fabrik eller i luftrummet.
Kilder:
arXiv cs.AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.