Ευφυείς Πράκτορες και Ρομποτικά Συστήματα

Εξάμηνο μαθήματος
1ου εξαμήνου
Κατηγορία μαθήματος
Υποχρεωτικό
Πιστωτικές Μονάδες
6
Διδάσκοντες

Γ. Βούρος, Μ. Δαγιόγλου, Σ. Κωνσταντόπουλος

Στοχος

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να

  • Εξηγεί θεμελιώδεις έννοιες σε ότι αφορά τους ευφυείς πράκτορες, τα πολυπρακτορικά συστήματα και τα ρομποτικά συστήματα και να αναγνωρίζει τα ιδιαίτερα χαρακτηριστικά του περιβάλλοντός τους και των πρακτόρων, και να αποφασίζει πως αυτά τα χαρακτηριστικά καθορίζουν την απαιτούμενη λειτουργία των συστημάτων αυτών.
  • Γνωρίζει, σχεδιάζει,  αναλύει αλγορίθμους που αφορούν στην κατανεμημένη επίλυση προβλημάτων, στην επίτευξη στόχων μέσω ανταγωνιστικότητας ή συντονισμού και συνεργασίας.
  • Γνωρίζει, σχεδιάζει,  αναλύει αλγορίθμους που αφορούν στην κατανεμημένη μάθηση πολλαπλών πρακτόρων.
  • Να επικοινωνεί ιδέες που αφορούν τα πολυπρακτορικά και ρομποτικά συστήματα με καθαρό, σαφή και τυπικό τρόπο.

Με στόχο να κατασκευάζει και να αποτιμά  πολυπρακτορικά και ρομποτικά συστήματα σε προκαθορισμένα περιβάλλοντα λειτουργίας, και να εξηγεί τη λειτουργία τους .

Περιεχομενα

  • Εισαγωγικά στοιχεία για τους ευφυείς πράκτορες , τα πολυπρακτορικά συστήματα, τα ρομπορικά συστήματα, και βασικές αρχιτεκτονικές ανάπτυξης πρακτόρων. 
  • Πολυπρακτορικές αλληλεπιδράσεις: Η έννοιες της χρησιμότητας και των προτιμήσεων. Συνεργασία, συντονισμός. Βασικά θέματα θεωρίας παιγνίων. 
  • Θεωρία και αλγοριθμικά θέματα μη συνεργατικών παιγνίων. 
  • Κατανεμημένη επίλυση προβλημάτων: Κατανομή προβλημάτων και συντονισμός για την επίλυση προβλημάτων. Κατανεμημένη επίλυση προβλημάτων περιορισμών, κατανομή εργασιών σε πράκτορες, κατανεμημένος δυναμικός προγραμματισμός, κοινωνικοί κανόνες. 
  • Σύναψη συμφωνιών: Σχεδιασμός μηχανισμού, δημοπρασίες, διαπραγμάτευση.
  • Επικοινωνία μεταξύ πρακτόρων. 
  • Αυτοκινούμενα ρομπότ: Αντίληψη περιβάλλοντος (αισθητήρες και σύνθεση δεδομένων), Σχεδιασμός δρόμου (path planning), Σχεδιασμός Δράσης (Task planning).
  • Εκμάθηση συμπεριφορών: Ενισχυτική μάθηση (reinforcement learning) στη ρομποτική, μάθηση από επίδειξη και μίμηση.
  • Τεχνητά γνωσιακά συστήματα: Από τον ανθρώπινο νου στην τεχνητή νοημοσύνη.
  • Self-supervised systems: Εκπαιδεύοντας video game bots να κερδίζουν τον εαυτό τους, intrinsic curiosity, empowerment-driven learning, αυτόνομος πειραματισμός στο φυσικό κόσμο.

Επιπλέον, στον Eύδοξο αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων και διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες καθώς και ασκήσεις για την εξάσκηση των φοιτητών/τριών.

Παρουσιάζονται μελέτες περίπτωσης, παραδειγματικά προβλήματα και μέθοδοι επίλυσης αυτών κοκ.

Ενδεικτικη βιβλιογραφια

  • Michael Wooldridge, Introduction to MultiAgent Systems (Ελλη­νική έκδοση «Εισαγωγή στα Πολυπρακτορικά συστήματα», εκδόσεις Κλειδάριθμος), 2008.
  • Yoav Shoham, Kevin Leyton-Brown Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations, Cambridge University Press, 2009
  • Gerhard Weiss, Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press, 2000.
  • John Miller Scott Page, Complex Adaptive Systems: An Introduction to Computational Models of Social Life (Princeton Studies in Complexity) , Princeton University Press, 2007.
  • ­David Easley, Jon Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World, Cambridge University Press 2010.­
  • H. Choset, W. Burgard, S. Hutchinson, G. Kantor, L. E. Kavraki, K. Lynch, and S. Thrun, Principles of Robot Motion: Theory, Algorithms, and Implementation. MIT Press, 2005.
  • Sutton, R.S. and Barto, A.G., 1998. Introduction to reinforcement learning (Vol. 135). Cambridge: MIT press.
  • C. Salge, C. Glackin, and D., Polani, “Empowerment: An Introduction”. In: Guided Self-Organization: Inception. Springer, 2014.
  • C. Salge and D. Polani, “Empowerment as Replacement for the Three Laws of Robotics”. Frontiers in Robotics and AI, 2017.