روشی جدید برای پیشبینی محل یافتن افراد گمشده در طبیعت، بر اساس شبیهسازی فرآیندهای تصمیمگیری آنها، میتواند به تیمهای نجات کوهستان کمک کند تا در آینده جان افراد را نجات دهند.
محققان دانشگاه گلاسکو یک سیستم کامپیوتری پیچیده برای مدلسازی اقدامات افراد شبیهسازیشده گمشده در محیطهای بیرونی توسعه دادهاند.
این سیستم، که بر اساس دادههای بهدستآمده از گزارشهای مربوط به نحوه رفتار افراد در دنیای واقعی پس از گم شدن در فضای باز است، یک "نقشه حرارتی" ایجاد میکند که احتمال یافتن افراد گمشده را در هر منظرهای نشان میدهد.
تیم گلاسکو امیدوار است که این سیستم بتواند منجر به توسعه یک روش جدید و قوی برای کمک به تیمهای جستجو و
در یک مقاله دسترسی زودهنگام جدید که در مجله IEEE Access
الگوریتمهایی که زیربنای این عوامل هستند، توسط زیرمدلهای متمایز هدایت میشوند که هر کدام هدف متفاوتی را در ذهن دارند. همه آنها به دنبال یافتن راه خود به تمدن با رفتن به سمت آب، درختان، ساختمانها، مسیرها یا جادهها هستند. عوامل شبیهسازیشده بر اساس عواملی مانند موقعیت فعلی خود و اینکه آیا میتوانند زمین مورد نظر خود را ببینند یا خیر، در مورد محل رفتن تصمیم میگیرند.
برای کمک به اطلاعرسانی به رفتار عوامل، سیستم این تیم همچنین دادههای جمعآوریشده در مورد احتمال یافتن افراد گمشده در انواع مختلف زمین و مسافتهایی را که افراد معمولاً از آخرین مکان گزارششده خود طی میکنند، در نظر گرفت.
یان-هندریک اورز از دانشکده مهندسی جیمز وات دانشگاه گلاسکو، محقق اصلی این پروژه و نویسنده مسئول این مقاله است. وی گفت: "تیمهای جستجو و نجات، علیرغم کمبود بودجه و اغلب متشکل از داوطلبان، کار نجاتبخش حیاتی انجام میدهند."
"من در مناطق روستایی ارتفاعات بزرگ شدهام و یک تپهنورد مشتاق هستم، بنابراین از این موضوع آگاه هستم که پیادهروی چقدر میتواند خطرناک باشد و تیمهای جستجو و نجات چه کار باورنکردنی انجام میدهند."
"در ابتدا، به عنوان بخشی از دوره دکترای خود، تصمیم گرفتم ببینم آیا استفاده از یادگیری ماشین برای آموزش نوع جدیدی از سیستم جستجو و نجات برای پیشبینی محل یافتن کوهنوردان گمشده امکانپذیر است یا خیر. با این حال،
"منابع محدود تیمهای جستجو به این معنی است که آنها به درستی بیشتر بر نجات جان افراد تمرکز دارند تا جمعآوری دادهها در مورد هر جنبه از مأموریتهای جستجوی خود، بنابراین اطلاعات کافی برای عملی کردن این رویکرد در دسترس نبود."
"این موضوع باعث شد من و همکارانم به این فکر کنیم که آیا میتوانیم از تحقیقات موجود در مورد رفتار افراد گمشده که هدف آن درک انتخابهای آنها در مورد محل رفتن و دلیل آن است، استفاده کنیم یا خیر. استفاده از آن به عنوان مبنایی برای این عوامل شبیهسازیشده، نتایج واقعاً دلگرمکنندهای به ما داده است."
تیم مدل خود را با رهاسازی عوامل هوش مصنوعی خود از مکانهای پراکنده در سراسر بازسازی دیجیتالی جزیره آرران اعتبارسنجی کرد. نقشه توزیع احتمال مکانهای افراد گمشده شبیهسازیشده در سراسر جزیره، همبستگی قوی با مکانهایی داشت که تیم تحقیقاتی مدل خود را بر اساس آنها بنا کرده بود و نشان میداد که به احتمال زیاد در آنجا یافت میشوند. نتایج نشان میدهد که رفتار عوامل، بازتاب دقیقی از رفتار افراد گمشده است.
این تحقیق بخشی از تلاشهای جاری در دانشگاه گلاسکو برای استفاده از فناوری پیشرفته برای تقویت کار تیمهای جستجو و نجات است. تحقیقات مرتبط از یک رویکرد دادهمحور برای بررسی راههایی برای بهتر کردن پهپادهای کنترلشده توسط هوش مصنوعی در جستجوی حومه شهر برای افراد گمشده استفاده کرده است.
دکتر دیوید اندرسون از دانشکده مهندسی جیمز وات، نویسنده همکار این مقاله و سرپرست دکترای یان-هندریک اورز است. وی گفت: "یکی از مزایای این نوع رویکرد مدلسازی روانشناختی برای یافتن افراد گمشده این است که به طور بالقوه میتواند در هر منظرهای اعمال شود. این بدان معناست که میتواند به تیمهای جستجو و نجات در سراسر جهان کمک کند، صرف نظر از اینکه در کوهها، جنگلها یا بیابانها کار میکنند."
"ما مشتاق هستیم که امکان استفاده از این تکنیک را در تلاشهای جاری خود برای تحقق بخشیدن به پتانسیل کامل پهپادها برای مأموریتهای
اطلاعات بیشتر:
یان-هندریک اورز و همکاران، نقشهبرداری چگالی احتمال پیشبینیکننده برای جستجو و نجات با استفاده از رویکرد مبتنی بر عامل با دادههای پراکنده، IEEE Access (2025).
اطلاعات مجله:
ارائهشده توسط
نقل قول: مدل کامپیوتری که مانند یک فرد گمشده "فکر میکند" میتواند به تلاشهای جستجو و نجات کمک کند (2025، 10 آوریل) بازیابی شده در 11 آوریل 2025 از https://techxplore.com/news/2025-04-person-efforts.html