Ученые Центра ИИ МГУ совместно с коллегами из компании «Интердата» (Interdata) и лаборатории искусственного интеллекта (SB AI Lab) предложили систему координации эвакуации при лесных пожарах. Работа представлена на 25-й Международной конференции по автономным агентам и многоагентным системам (AAMAS 2026), которая прошла в Пафосе, Кипр.
Организация эвакуации при лесных пожарах относится к задачам, в которых обстановка может быстро меняться. Огонь распространяется, дороги перегружаются, а данных о похожих реальных ситуациях обычно немного. Поэтому такие подходы сначала проверяют в искусственно созданных средах: они позволяют моделировать движение людей, распространение пожара и разные варианты управления эвакуацией.
Авторы исследования предложили двухуровневую систему управления эвакуацией. На первом уровне участники эвакуации выбирают маршрут с учётом ближайшей дорожной ситуации. На втором уровне работает цифровой координатор на основе большой языковой модели (LLM Commander). Он отслеживает распространение пожара и загруженность дорог, а затем выдаёт общие рекомендации по маршрутам, например ограничивает движение по отдельным направлениям.
Особое внимание исследователи уделили тому, чтобы решения системы были понятны человеку. Для каждого управляющего решения фиксируются причины: с какой стороны распространяется пожар, где возникает затор, как меняется число участников, которые не успевают завершить эвакуацию вовремя. Эти данные представляются в виде простых правил, которые можно проверить и проанализировать. В статье этот подход описан как когнитивный анализ задачи (Cognitive Task Analysis, CTA).
Ещё одним элементом системы стала эпизодическая память (episodic memory). Она позволяет учитывать похожие ситуации из ранее смоделированных случаев и выбирать решения, которые уже приводили к лучшим результатам. Это важно для новых сценариев, отличающихся от тех, на которых система обучалась.
Исследователи проверили подход в искусственной городской среде со 150 участниками эвакуации. В исходном сценарии метод обучения с подкреплением позволял эвакуировать 92,6% участников. Однако при изменении расположения очага пожара этот показатель снижался до 67,1%. Цифровой координатор на основе большой языковой модели повысил долю эвакуированных в новом сценарии до 74,2%, а при использовании эпизодической памяти — до 82,5%.
При этом авторы отмечают, что основное улучшение было связано не со снижением числа погибших, а с уменьшением доли участников, которые не успевали завершить эвакуацию за отведённое время. В использованной модели большинство критических исходов происходило в самом начале и зависело прежде всего от близости к очагу пожара. Качество координации сильнее влияло на заторы и задержки.
«В задачах эвакуации важно не только найти эффективную стратегию, но и сделать её понятной для человека, который отвечает за принятие решений. Мы показали, что большая языковая модель может работать как координатор верхнего уровня: анализировать развитие ситуации, учитывать похожие прошлые случаи и предлагать общие правила движения. Такой подход помогает лучше адаптироваться к новым сценариям и одновременно сохранять возможность проверки принятых решений», — отметил младший научный сотрудник Института ИИ МГУ и Центра ИИ МГУ Роман Сультимов.
Полученные результаты могут быть полезны для дальнейшей разработки систем поддержки принятия решений при эвакуации, а также для обучения и анализа действий в чрезвычайных ситуациях. Авторы подчёркивают, что работа выполнена в смоделированной среде и предназначена для исследования подходов к координации эвакуации, проверки стратегий и последующего развития таких систем.