B028465 - MULTIAGENT SYSTEMS

ITALIANO

Gli argomenti trattati comprendono: modelli di agenti intelligenti e sistemi multi-agente, algoritmi distribuiti di controllo ed elaborazione dei dati, reinforcement learning, applicazioni (navigazione di robot, reti di sensori, sistemi multi-robot, controllo di formazione, apprendimento automatico su reti, ecc.).

Il corso mira a fornire metodologie per modellare, analizzare e progettare agenti autonomi intelligenti in grado di svolgere compiti complessi, anche tenendo conto di:
-agenti fisici e virtuali (processori, software, sensori, veicoli autonomi, robot, ecc.);
- agenti, anche non omogenei, interagenti tra loro;
- un’informazione non centralizzata ma locale.

Fondamenti di automatica.

Lezioni e esercitazioni in aula. Seminari di approfondimento.

Prova orale e/o elaborato.

1. INTRODUZIONE AI SISTEMI MULTI-AGENTE
Che cos'è un sistema multi-agente. Coordinamento e competizione nei sistemi multi-agente. Esempi di sistemi multi-agente nella scienza e nell'ingegneria.

2. ELEMENTI DI TEORIA DEI GRAFI
Connettività di un grafo. Laplaciano di un grafo: proprietà e applicazioni (partizionamento di un grafo, clustering spettrale).

3. AGENTI INTELLIGENTI
Principali paradigmi per la realizzazione di agenti intelligenti: pianificazione e behaviors. Applicazione al problema della navigazione robotica. Algoritmi PRM e RRT. Modelli di robot mobili. Metodo dei potenziali artificiali.

4. SINCRONIZZAZIONE E COORDINAMENTO NEI SISTEMI MULTI-AGENTE
Consenso per grafi indiretti e diretti. Applicazioni (reti sociali, calcolo distribuito). Potenziali artificiali per la sincronizzazione e il coordinamento.

5. SISTEMI MULTI_ROBOT
Algoritmi di coordinamento per il controllo di formazione. Mantenimento della connettività e prevenzione delle collisioni. Problemi di covering e esplorazione. Cenni alle tecniche per la mappatura di ambienti.

6. TECNICHE DI OTTIMIZZAZIONE E APPRENDIMENTO AUTOMATICO PER SISTEMI MULTI-AGENTE
Algoritmi di regressione distribuita su reti. I minimi-quadrati distribuiti. Ottimizzazione distribuita su reti.

7. FUSIONE DELL'INFORMAZIONE NEI SISTEMI MULTI-AGENTE
Fusione dell'informazione centralizzata e distribuita. Cenni alle reti di sensori e alla stima distribuita.

8. REINFORCEMENTE LEARNING
Processi decisionali di Markov. Programmazione dinamica stocastica. Algoritmi di value e policy iteration. Reinforcement learning: metodo delle differenze temporali, metodo Monte Carlo, Q-learning, policy gradient. Reinforcement learning nei sistemi multi-agente.