Autonomous Agents and Multi-Agent Systems (2023/2024)

Obiettivi formativi

Il corso illustra le principali problematiche relative allo sviluppo di agenti intelligenti che riescono a percepire, pianificare, agire ed interagire con altri agenti ed esseri umani. L'obiettivo è fornire alle studentesse ed agli studenti strumenti per ideare, applicare e valutare algoritmi che permettano ad agenti intelligenti di interagire con l'ambiente circostante eseguendo compiti complessi con un elevato livello di autonoma. Al termine del corso le studentesse e gli studenti dovranno dimostrare di comprendere i concetti fondamentali relativi a: i) Intelligenza Artificiale Cooperativa ed in particolare ottimizzazione in contesti multi-agente; ii) Apprendimento automatico con particolare enfasi sull'apprendimento per rinforzo; iii) tecniche di Intelligenza Artificiale per sistemi robotici.
Le studentesse e gli studenti, dovranno dimostrare di conoscere, ed essere in grado di usare i principali strumenti per lo sviluppo di agenti autonomi e sistemi multi-agente.
Le studentesse e gli studenti dovranno inoltre conoscere le sfide aperte e le limitazioni delle tecniche allo stato dell'arte per l'area relativa agli agenti autonomi e sistemi multi-agente ed avere la capacità di proseguire gli studi in modo autonomo sviluppando approcci innovativi volti a migliorare lo stato dell’arte.

i) Introduzione alle aree relative a agenti autonomi e sistemi multi-agente e intelligenza artificiale cooperativa;
ii) algoritmi e tecniche per ottimizzazione nel contesto di sistemi multi-agente (con particolare enfasi su approcci di ottimizzazione a vincoli distribuita);
ii) tecniche e metodologie per apprendere come operare in un ambiente incerto e dinamico, con una enfasi specifica su apprendimento per rinforzo, apprendimento per rinforzo in scenari multi-agente e apprendimento per rinforzo sicuro;
iii) tecniche di Intelligenza Artificiale per robot mobili e sistemi multi-robot, e.g., coordinamento per sistemi multi-robot, apprendimento per rinforzo profondo (Deep Reinforcement Learning) per sistemi robotici.

L'esame può essere svolto scegliendo tra due opzioni: i) un progetto che prevede una parte sperimentale incentrato sulle tecniche studiate durante il corso; ii) una presentazione orale basata su articoli e pubblicazioni allo stato dell'arte che approfondisce alcune delle tematiche studiate durante il corso.