Multi-agent Collaborative AI

Het onderzoek in deze grand challenge houdt rekening met het feit dat in vele praktische AI-toepassingen autonome systemen niet op zichzelf staan, maar communiceren en samenwerken met elkaar. Dit vereist flexibele coördinatiemechanismen voor autonome systemen, die in staat zijn om zich aan te passen aan hun omgeving, die naadloos met mensen kunnen omgaan en die op een veilige manier privacy-gevoelige data kunnen uitwisselen, met het oog op het oplossen complexe problemen in een sterk verbonden en snel veranderende wereld.

AI-systemen die (samen met mensen) complexe taken kunnen uitvoeren zonder dat één van de partijen het volledige systeem kent of directe controle heeft over de andere componenten.

Multi-actor systemen bestaan uit meerdere intelligente actoren, die elk hun autonome beslissingen nemen. Eigen aan zo’n systeem is dat geen van de actoren het hele systeem kent, noch directe controle heeft over de andere componenten. Dit is bijvoorbeeld interessant voor systemen die zich moeten aanpassen aan het gedrag van mensen, zoals de optimalisatie van verkeerslichten. Andere voorbeelden zijn de optimalisatie van systemen die onder de verantwoordelijkheid vallen van verschillende stakeholders, zoals verschillende logistieke problemen, alsook voor privacygevoelige systemen waarbij de ene actor niet al zijn data aan de andere actoren kenbaar kan maken. Enkele andere toepassingen zijn mobiliteit, multi-robot systemen, windmolenparken en waterwegen. Het onderzoek richt zich op adaptiviteit, robuustheid, beheersbaarheid en randvoorwaarden voor het goed functioneren van multi-agent systemen.

Structuur van de onderzoeksuitdaging

Werkpakketten

WP 1 Use Cases

WP1 telt 4 use cases:

In het toepassingsdomein Industrie:
Smart Control of Cooperating Robots / Control of Collaborating Robots
Smart Control of Machine Fleet (bar linkages setup and wind turbine setup) / Control of a Machine Park: Similar Machines Learning from each Other

In het toepassingsdomein Energie:
Self-Sustainable Smart Grids
Verbeterde opbrengst van windmolenparken

In het toepassingsdomein Overheid & Burgers:
Exchanging Data and Knowledge in a Healthcare Setting

De use cases laten het toe dat er nieuw ontwikkelde systeemarchitecturen en algoritmes gevalideerd kunnen worden in een 'echte' omgeving. Zo slaan de use cases een brug tussen de onderzoekers van de onderzoeksuitdagingen en de externe stakeholders, zoals de overheid of de industrie.

WP 2 Multi-agent Control Systems

Om tegemoet te komen aan de toenemende vraag naar flexibele robotisering in verschillende toepassingen zoals maakindustrie, opslag, infrastructuur, landbouw, reddings- en rampenbestrijding, enz.; is vaak de taakcomplexiteit of flexibiliteit te hoog voor een enkele agent of de taak is inherent verdeeld in de ruimte. Onder deze omstandigheden is het veel beter om meerdere single-taak agenten of robots te bouwen dan één enkele complexe robot te hebben. Naast hun grotere robuustheid door redundantie, is een van de belangrijkste voordelen dat meerdere robots problemen sneller kunnen oplossen door middel van parallellisme. Traditionele gecentraliseerde controlebenaderingen kunnen niet worden gebruikt met deze systemen vanwege bvb. gecentraliseerde computerproblemen of problemen met gecentraliseerde gegevensverzameling, bediening en communicatie en schaalbeperkingen. We combineren in een meerlagige en gecentraliseerde/gedecentraliseerde besturingsarchitectuur modelgebaseerde en modelvrije methoden met menselijk advies om een team van samenwerkende agenten en mensen te verkrijgen die in staat zijn om taken vanaf het begin veilig uit te voeren en hun collectieve prestaties in de loop van de tijd te verbeteren. Hierdoor hebben de agenten geen globaal beeld van het probleem, terwijl, afhankelijk van de mate van interactie die er is tussen de lokale subsystemen, de agenten of robots moeten coördineren, bijvoorbeeld via strategische communicatie of via incentives.

WP 3 Hybrid Multi-agent systems for Collective Action

WP3 bestudeert aspecten van hybride multi-agent systemen, die bestaan uit zowel menselijke als digitale agenten. De aanwezigheid van mensen brengt enkele bijkomende uitdagingen met zich mee. Dit werd door de huidige COVID-19 pandemie nog eens extra in de verf gezet: maatregelen zoals social distancing en het dragen van mondmaskters zijn pas effectief als voldoende mensen meewerken. Helaas , zoals in veel sociale dilemma’s, geven de actoren bij voorkeur voorkeur aan het individueel belang eerder dan het algemene belang.

Het doel van dit werkpakket is drieledig. Een eerst taak stelt nieuwe technieken voor om individueel en collectief gedrag te modelleren en bestudeert hoe deze technieken geïntegreerd moeten worden in multi-agent systemen om tot succesvolle hybride systemen te komen. Een twee taak bestudeert op welke manier vertrouwen een rol speelt in hybride multi-agent systemen en welke drijfveren kunnen dienen om een vertrouwensband te creëren tussen mensen en multi-agent systemen. Op dit moment is de kennis rond hybride systemen nog systematisch onderbenut in de industrie. Een derde taak concencreet zich op hoe collectief gedrag kan gestuurd worden, enerzijds door drijfveren of anderzijds door informatie te delen (wat op op zich ook weer beïnvloed wordt door hoeveel mensen informatie willen delen en of dit wederzijds gebeurt).

WP 4 Distributed Data Intelligence

Contactpersonen

Verschillende onderzoeksgroepen werken samen in dit onderzoeksdomein. Deze tabel geeft enkel de contactpersonen weer per werkpakket.

Ann Nowé

Management team, VUB AI Lab

Leander Schietgat

Management team & WP1 Lead: Use Cases, VUB AI Lab

Bram Vanderborght

WP2 Lead: Multi-Agent Control Systems, VUB Robotics & Multibody Mechanics

Bart de Boer

WP3 Hybrid Multi-Agent Systems for Collective Action, VUB AI Lab

Jan Van den Bussche

WP4 Lead: Distributed Data Intelligence, UHasselt