في عالم الذكاء الاصطناعي، يواجه العلماء تحديات مستمرة في تحسين التخطيط الجماعي للروبوتات. أحد هذه التحديات هو MAPF-Collapse (نموذج تخطيط المسار لجماعة متعددة) الذي يتطلب إزالة الحركات غير الضرورية من خطط تم توليدها مسبقًا بواسطة محللات متطورة. في هذا الصدد، تم تقديم عمل جديد يدرس هذه المشكلة، مستندًا إلى بحث تم تقديمه مؤخرًا في arXiv.

المشكلة تتلخص في تصنيف MAPFC كمشكلة NP-hard، مما يعني أنها تتطلب قدرًا كبيرًا من الجهد للحل. لقد أظهر البحث أن الحلول التقليدية، مثل Judgelight، تستخدم برمجة خطية صحيحة (ILP) لحل مشكلة MAPFC، ولكن العيب الرئيسي هو أنها تُعد تعقيدًا يتطلب تنسيق كامل بين الوكلاء، وهو ما يمكن أن يؤدي إلى زيادة الوقت والموارد.

الاكتشاف الجديد في هذا البحث هو إمكانية تقسيم حالات MAPFC إلى مشاكل فرعية مستقلة، بحيث يمكن تحفيز حل كل مشكلة بضغطة بسيطة بدون الحاجة إلى التفكير المترابط المعقد بين الوكلاء. وبهذا، تم تقديم مُحلل خفيف الوزن يمكنه أداء عمليات مشابهة بسرعة تصل إلى 1900 مرة أسرع من Judgelight.

لكن ماذا لو كان التنسيق ضروريًا؟ هنا يأتي دور Judgelight، لكن البحث يقترح أيضًا استخدام حل بديل يشبه CBS، مما ينتج عنه كفاءة أكبر في الحالات الأسهل. بفضل هذا الإطار الجديد، لا تحتاج إلى أي مُحلل ILP تجاري وبدلاً من ذلك تستفيد من الحلول الخفيفة التي تقدمها.

النتائج تجلت بشكل واضح على جميع القياسات التي تم اختبارها، حيث حقق المُخطط الجديد متوسط سرعة يزيد عن 10.5 مرات مقارنةً بـJudgelight في الحالات التي لا تتطلب تنسيقًا معقدًا. هذا الابتكار يعد خطوة مهمة نحو تحسين كفاءة التخطيط الجماعي ويوعد بإحداث تغيرات في الأسواق المستقبلية للذكاء الاصطناعي.