Costruire un team di agenti intelligenti
Dai veicoli autonomi alle reti veicolari ad hoc o reti intelligenti, i sistemi intelligenti distribuiti si possono trovare ovunque. Per un agente isolato, la pianificazione in condizioni di incertezza è già stata studiata approfonditamente. I metodi centralizzati per i singoli agenti però non sono chiaramente sufficienti per grandi sistemi multi agente. Il progetto PURE-MAS ("Planning under uncertainty for real-world multi-agent systems"), finanziato dall'UE; ha affrontato la questione del processo decisionale multi agente. La ricerca è stata basata su una varietà di modelli multi-agente per agenti cooperativi, come il processo decisionale di Markov decentralizzato parzialmente osservabile (dec-POMDP) e altri modelli correlati conosciuti come processi decisionali sequenziali multi agente. Gli scienziati hanno migliorato la scalabilità sia in termini di orizzonte di pianificazione che di numero di agenti. Proponendo uno dei più veloci pianificatori ottimali dec-POMDP, gli scienziati hanno potuto calcolare orizzonti di pianificazioni prima irraggiungibili. Inoltre, sfruttando la loro struttura, sono stati fatti importanti progressi per ampliare la pianificazione fino a squadre di dimensioni mai raggiunte prima. Accanto alla scalabilità, PURE-MAX ha studiato due tipi di rappresentazioni basate sugli eventi per carpire cambiamenti rilevanti dell'ambiente e quindi raggiungere un livello di astrazione più alto. Questo prepara il terreno per agenti di pianificazione online in grado di adattarsi all'ambiente dinamico modificando continuamente i piani durante l'esecuzione del piano. Sono stati proposti diversi algoritmi per ottimizzare la comunicazione tra gli agenti. Mettendo insieme la teoria dei giochi e la pianificazione, il team del progetto è riuscito a coordinare la pianificazione tra singoli agenti. In particolare, le tecniche derivate dalla progettazione di meccanismi dinamici hanno aiutato ad allineare gli incentivi dei committenti multipli. Sulla base di queste tecniche, i giocatori umani possono imparare che la collaborazione tra concorrenti può essere vantaggiosa e gli enti stradali possono stilare migliori contratti di manutenzione. Un altro risultato del progetto è stato la dimostrazione di una piccola squadra di robot in grado di rintracciare un obiettivo mobile. PURE-MAS ha ottimizzato anche il sistema multi agente in modo da fornire intelligenza a una rete intelligente distribuita. PURE-MAS ha contribuito in modo significativo al raggiungimento di uno degli obiettivi centrali dell'intelligenza artificiale e cioè come costruire molti agenti intelligenti che percepiscono il proprio ambiente ed eseguono le azioni adeguate. Tutti i progressi fatti dal progetto possono trovare applicazione in sistemi di trasporto, reti intelligenti e videocamere di sorveglianza.
Parole chiave
Agenti intelligenti, sistemi multi agente, intelligenza artificiale, pianificazione in condizioni di incertezza, parzialmente osservabile, sistemi distribuiti intelligenti, processo decisionale sequenziale multi agente, orizzonte di pianificazione, pianif
