Descrizione del progetto
Nuovi algoritmi per il controllo dei sistemi distribuiti
Attualmente mancano strutture decisionali ottimali in grado di controllare efficacemente grandi gruppi di agenti autonomi, come gli sciami di robot, senza un controllo centralizzato. In questo contesto, il progetto DiODe, finanziato dal Consiglio europeo della ricerca, creerà algoritmi per il controllo di sistemi distribuiti, con particolare attenzione al controllo decentralizzato di sciami di robot. La ricerca fornirà anche strumenti per studiare i meccanismi decisionali naturali negli organismi viventi, dalle reti intracellulari alle popolazioni di animali che prendono decisioni. Il progetto affronterà diversi obiettivi, tra cui la progettazione di meccanismi distribuiti per l’attuazione di compromessi ottimali tra il campionamento delle informazioni e il processo decisionale. Inoltre, tradurrà la teoria in applicazioni pratiche per i sistemi artificiali e svilupperà strumenti di modellazione accessibili per i ricercatori nel settore delle scienze della vita.
Obiettivo
This grant will develop and translate a unifying framework for optimal decision-theory, and observations of natural systems, to design distributed algorithms for decentralised decision-making. This will enable a technological step-change in techniques for controlling distributed systems, primarily demonstrated during the grant by decentralised control of robot swarms. These algorithms and associated methodology will also provide hypotheses and tools to change the way scientists think about and interrogate natural decision mechanisms, from intracellular regulatory networks, via neural decision circuits, to decision-making populations of animals. Specific objectives are:
1. Distributed value-sensitive decision-making: undertake optimality analyses of the applicant’s existing decentralised decision-making algorithms based on observations of collective iterated voting-processes in honeybees, and extend these.
2. Distributed sampling and decision-making: design distributed mechanisms that implement optimal compromises between sampling information and making decisions based on that information.
3. Individual-confidence and distributed decision-making: translate machine learning theory to collective behaviour models, designing mechanisms in which weak decision-makers optimally combine their decisions to optimise group performance.
4. Optimal distributed decision-making in collective robotics: translate theory from objective 1 to 3 towards practical applications in artificial systems, demonstrated using collectively-deciding robots.
5. Development of tools for life scientists and validation of theoretical predictions in natural systems: interact with named collaborators to investigate identified decision mechanisms in single cells, in neural circuits, and in social groups. Develop accessible modelling tools to facilitate investigations by life scientists.
Campo scientifico
- natural sciencesbiological sciencesecology
- natural sciencesbiological scienceszoologyentomologyapidology
- natural sciencesbiological sciencesneurobiologycomputational neuroscience
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-COG - Consolidator GrantIstituzione ospitante
S10 2TN Sheffield
Regno Unito