Opis projektu
Nowe algorytmy na potrzeby kontrolowania systemów rozproszonych
Obecnie brak jest optymalnych ram decyzyjnych, które umożliwiałyby skuteczne kontrolowanie dużych grup autonomicznych obiektów, takich jak roje robotów, bez scentralizowanych systemów sterowania. Z tego powodu zespół finansowanego przez Europejską Radę ds. Badań Naukowych projektu DiODe opracuje algorytmy do kontrolowania systemów rozproszonych, kładąc szczególny nacisk na zdecentralizowane sterowanie rojami robotów. Prace w ramach projektu przyczynią się do opracowania narzędzi do badania naturalnych mechanizmów podejmowania decyzji przez organizmy żywe, od sieci wewnątrzkomórkowych po grupy zwierząt. Projekt będzie miał kilka celów, w tym zaprojektowanie rozproszonych mechanizmów wdrażania optymalnych kompromisów między próbkowaniem informacji a podejmowaniem decyzji. Ponadto badacze wykorzystają teorie w praktycznych zastosowaniach na potrzeby sztucznych systemów i opracują przystępne narzędzia modelowania dla naukowców zajmujących się naukami o życiu.
Cel
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.
Dziedzina nauki
- natural sciencesbiological sciencesecology
- natural sciencesbiological scienceszoologyentomologyapidology
- natural sciencesbiological sciencesneurobiologycomputational neuroscience
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
Program(-y)
Temat(-y)
System finansowania
ERC-COG - Consolidator GrantInstytucja przyjmująca
S10 2TN Sheffield
Zjednoczone Królestwo