Araştırmacılar, büyük İHA sürülerinde meydana gelen arızalar sonrasında sistemin kendini onarabileceği yeni bir yapay zeka algoritması geliştirdi. PhyGAIL adı verilen bu sistem, fizik kurallarından ilham alan graf sinir ağları kullanarak İHA'ların birbirleriyle koordineli şekilde çalışmasını sağlıyor. Geleneksel yöntemlerin aksine merkezi kontrol gerektirmeyen bu yaklaşım, sürü büyüklüğü ve hasar seviyesi değişse bile etkili performans gösterebiliyor. Sistem, yerel gözlemlerden hareketle İHA'lar arasında çekim ve itme kuvvetleri modelleyerek fiziksel olarak tutarlı koordinasyon sağlıyor. Bu gelişme, arama kurtarma operasyonlarından askeri uygulamalara kadar geniş bir yelpazede kullanım potansiyeli taşıyor.

Araştırmacılar, hareketli hedefleri yakalamak için çalışan robot filosunun rotalarını optimize eden yeni bir algoritma geliştirdi. MT-VRP-O olarak adlandırılan bu problem, birden fazla robotun engelleri aşarak ve zaman kısıtları içinde hareket eden hedeflere ulaşmasını gerektiriyor. Geliştirilen Lazy BPRC algoritması, robotların hız ve kapasite sınırlarını da göz önünde bulundurarak en optimal çözümü buluyor. Bu teknoloji, kargo dağıtımından askeri operasyonlara, arama-kurtarma görevlerinden otonom araç koordinasyonuna kadar geniş bir uygulama alanına sahip. Algoritma, sınırlı tur seçenekleri arasından en uygununu belirleyerek hesaplama maliyetini düşürürken, optimal sonuçları garanti ediyor.

Araştırmacılar, birden fazla yapay zeka ajanının birlikte çalıştığı sistemlerin tek bir ajana dönüştürülmesinin ne zaman avantajlı olduğunu belirlemeyi başardı. Çoklu ajan sistemleri karmaşık görevleri paylaştırarak çözer ancak koordinasyon maliyeti yüksektir. MIT ve diğer kurumlardan bilim insanları, bu dönüşümün başarısını önceden tahmin edebilen 'Metrik Özgürlük' adlı bir ölçüm geliştirdi. Çalışma, aynı görevde %28 iyileşmeden %2 performans kaybına kadar değişen sonuçların nedenini açıklıyor. Araştırma, yapay zeka sistemlerinin verimliliğini artırmak için önemli bir adım oluşturuyor.

Araştırmacılar, robotların farklı ortamlarda göz-el koordinasyonunu sürekli öğrenebilmesi için yeni bir yapay zeka sistemi geliştirdi. Geleneksel derin öğrenme modellerinin yeni ortamlara adapte olurken eski bilgileri unutma sorunu yaşadığı biliniyordu. Bu yeni yaklaşım, robotların manipülasyon görevlerini yerine getirirken karşılaştıkları her yeni sahneye adaptasyon sağlarken önceki deneyimlerini de korumasını sağlıyor. Sistem, geometrik olarak düzenli bir tekrar stratejisi ve yapı koruyucu damıtma tekniği kullanıyor. Bu gelişme, robotların açık dünya ortamlarında daha etkili çalışabilmesi ve sürekli öğrenme yeteneği kazanması açısından önemli bir adım.

Araştırmacılar, robotik alanında devrim yaratabilecek yeni bir sistem olan ABot-Claw'u geliştirdi. Bu sistem, farklı türdeki robotların uzun süreli görevlerde işbirliği yapmasını, deneyimlerinden öğrenmesini ve sürekli kendilerini geliştirmesini sağlıyor. Mevcut robotik sistemler genellikle kısa vadeli görevlerle sınırlı kalıyor ve gerçek dünya koşullarında zorlanıyor. ABot-Claw ise robotlara kalıcı hafıza, görsel tabanlı öğrenme ve çoklu robot koordinasyonu yetenekleri kazandırıyor. Sistem, Vision-Language-Action modellerinin güçlü algılama yeteneklerini, System 2 bilişsel mekanizmalarla birleştirerek robotların daha akıllı ve özerk hareket etmesini mümkün kılıyor.

Bilim insanları, farklı hareket hızlarına sahip iki kişinin birlikte fiziksel bir görevi nasıl gerçekleştirdiğini araştırdı. Çalışma, her insanın kendine özgü bir hareket hızı (vigor) olduğunu ve iki kişi birlikte çalıştığında bu hızların nasıl uyumlaştığını inceledi. Araştırmacılar, iki kişinin birlikte masa taşıması gibi görevlerde minimal etkileşim kuvvetiyle koordinasyon kurduklarını keşfetti. En önemli bulgu, ikili çalışmalarda hareket hızının büyük ölçüde yavaş olan partner tarafından belirlendiği oldu. Bu etki, antrenman sonrasında bile devam etti. Stokastik optimal kontrol modellemesi kullanarak araştırmacılar, partnerlerin hareket zamanlaması belirsizliği ve hızının koordinasyonu nasıl şekillendirdiğini ortaya koydu. Bu bulgular, insan işbirliğinin motor kontrol mekanizmalarını aydınlatıyor.

MIT ve Stanford araştırmacıları, farklı yeteneklerdeki robotların bir arada güvenli çalışması için yeni bir sistem geliştirdi. Capability-Aware Heterogeneous Control Barrier Function (CA-HCBF) adlı bu yaklaşım, her robotun kendi fiziksel sınırlarını bilerek güvenlik kararları almasını sağlıyor. Sistem, tekerlekli robotlar ve insansı robotlar gibi farklı hareket kabiliyetlerine sahip makinelerin aynı ortamda çarpışmadan çalışmasına olanak tanıyor. Geleneksel yöntemler tüm robotları aynı kabul ederken, yeni sistem her robotun kendine özgü hareket sınırlarını dikkate alarak daha güvenli ve verimli koordinasyon sağlıyor.

Araştırmacılar, AI ajanlarının çok-ajanlı ortamlarda nasıl koordine olduğunu ve teşviklere yanıt olarak davranış benzerliklerini nasıl ayarladığını inceledi. Çalışma, birincil ve stratejik algoritmik monoculture arasındaki farkı ortaya koyuyor.

Araştırmacılar, federe öğrenme sistemlerine karşı koordinasyon gerektirmeyen yeni bir model zehirleme saldırı yöntemi geliştirdi. XFED adlı bu saldırı, birden fazla kötü niyetli istemcinin işbirliği yapmadan da etkili olabiliyor.