في عالم الذكاء الاصطناعي، يشكل إيجاد مسارات متعددة الوكلاء (Multi-Agent Path Finding - MAPF) تحدياً كبيراً يتطلب تنسيقاً دقيقاً بين الوكلاء لتحقيق مسارات خالية من التصادمات. ومع التعقيد التخطيطي العالي في البيئات الكثيفة، قد تؤدي الخطط المبدئية غير المثلى إلى صراعات تجعل الإصلاح أمراً صعباً.

ولمعالجة هذه المشكلة، قدم فريق من الباحثين فكرة مبتكرة تتمثل في تطوير إطار عمل هجين يسمى DiffLNS، والذي يجمع بين نموذج الانتشار المتقطع للتخلص من الضجيج (Discrete Denoising Diffusion Probabilistic Model - D3PM) ونظام LNS2. يعمل هذا النموذج كمصدر لخطط أولية باستخدام اهتمام اجتماعي متفرق، حيث يتعلم سلفاً عن التحركات المكانية والزمنية لوكلاء متعددة استناداً إلى دلالات الخبراء.

تتميز هذه التقنية بقدرتها على التعامل مباشرة مع فضاء العمل الفئوي، مما يحافظ على هيكلية MAPF ويعتمد على توزيع خطط مشتركة متعددة النماذج لتوليد مسودات متنوعة مناسبة للإصلاح في الأحياء. هذه المسودات تشكل نقطة انطلاق مُبسطة تسمح بالإصلاح المستمر لمسارات غير المكتملة وتصحيح الصراعات المتبقية وفقاً لقيود MAPF المضغوطة.

أظهرت نتائج التجارب أن هذا النموذج، على الرغم من تدريبه على حالات تحتوي على 96 وكيلًا كحد أقصى، إلا أنه يحقق نتائج مدهشة في سيناريوهات تصل إلى 312 وكيلًا عند مرحلة الاستدلال. عبر 20 بيئة معقدة ومزدحمة، حققت تقنية DiffLNS معدل نجاح متوسط بلغ 95.8%، مما يتفوق بفارق 9.6% عن أقوى خط أساس تم اختباره، ويتجاوز جميع الخطوط الأساسية في جميع الحالات.

يعتبر هذا البحث الأول من نوعه في استخدام الانتشار المتقطع لتقديم بداية دافئة لنظام MAPF القائم على LNS. كيف تتوقع أن تتطور هذه التقنية في المستقبل؟ شاركونا آراءكم!