Onderzoeksprojecten (4500 - 5000 van 8189)

Abstract: I) Probleemstelling en doelstellingen
Multi-agent systemen (MAS) zijn een recent paradigma waarmee een brede waaier van complexe problemen kan opgelost worden. MAS zijn en
collectie van autonome agenten die onafhankelijk van elkaar handelen en die beschikken over lokale informatie en (eventueel beperkte)
communicatiemogelijkheden.
Tot op heden worden voornamelijk propositionele technieken gebruikt om de omgeving, waarin de agenten actief zijn, voor te stellen. Dit is echter in
grote werelden met veel toestanden geen geschikte aanpak. In dit project stellen wij voor om het huidige MAS-framework te versterken door singleagent
technieken, aan te passen naar omgevingen waarin meerdere agenten actief zijn. Deze single-agent technieken zijn gebaseerd op
gefactoriseerde voorstellingen van de omgeving (i.e. beslissingsbomen, relaties, Bayesiaanse netwerken) en op macro-acties.
II) Methodiek
Voor de uitbreiding van de huidige technieken zal gesteund worden op technieken uit het single-agent framework, die ontwikkeld zijn met het oog
op grote toestandsruimtes. Ten eerste zullen we de bestaande technieken evalueren in een MAS setting waarbij de agenten geen weet hebben van
elkaars aanwezigheid (Independent Learners).
Vervolgens wensen we deze technieken aan te passen naar systemen waarin de agenten wel degelijk op de hoogte zijn van de aanwezigheid van
andere agenten. Hierbinnen gaan we nog onderscheid maken op basis van de mogelijkheid tot communicatie, de aanwezigheid van een leraar,
enz. We gaan ook een onderscheid maken tussen systemen waarin agenten hetzelfde doel, of tegenstrijdige doelen hebben.
Ten slotte willen we de werking van deze technieken demonstreren in een case study van een realistisch, practisch probleem.
Organisaties:
• Computationele Modelering Lab
Onderzoekers:
• ANN NOWE
Multi-agent reinforcement learning van coördinatie en probleem structuur
Vrije Universiteit Brussel
Abstract: Onderzoek in machine learning en reinforcement learning neigt meer en meer naar multi-agent oplossingen, waar verschillende entiteiten,
genaamd agenten, gezamenlijk problemen oplossen, zoals routering in een netwerk, of het verspreiden van de belasting op een elektriciteitsnet.
Leren in de aanwezigheid van andere dynamische, lerende agenten is uitdagend, en moeilijk te schalen naar grote groepen agenten indien geen
speciale maatregelen worden getroffen. Huidige technieken die schaalbaar zijn veronderstellen dat agenten zwakke interacties hebben, en deze
conflicten lokaal kunnen oplossen.
In situaties waar agenten sterk interageren kan kennis over deze probleem-specifieke interacties gebruikt worden om een coördinatie-structuur
tussen deze agenten op te stellen. Deze kennis kan a priori gegeven zijn, of geleerd worden tijdens de werking van het systeem. Echter, huidige
algoritmen veronderstellen dat agenten een globaal zicht hebben op het hele systeem, wat de onafhankelijkheid van agenten beperkt. Bovendien,
deze benaderingen zijn enkel toepasbaar in contexten waar alle agenten dezelfde belangen hebben.
In dit project zullen we de automatische detectie van interacties tussen agenten onderzoeken, zonder te veronderstellen dat agenten een volledig
beeld hebben van andere agenten hun toestand en acties. Voorts zullen we de technieken ontwikkeld op basis van de verworven inzichten
valideren in volledig coöperatieve, volledig competitieve en gemengde situaties.
Organisaties:
• Informatica en Toegepaste Informatica
Onderzoekers:
• ANN NOWE
Multi-camera Computationele Video Architecturen
Universiteit Hasselt
Abstract: Computationele video en visie systemen laten nieuwe toepassingen toe die de mogelijkheden van digitale TV, IPTV en traditonele camera
systemen aanzienlijk overstijgen. EDM is gekend voor zijn baanbrekend onderzoek op software systemen voor computationele video en multicamera
3D sytemen.
De uitvoering van video algorithmen is uiterst rekenintensief. Dit wordt o.a. bepaald door de beeld-resolutie (kwadratisch afhankelijk van de
beelddimensies), het aantal beelden per seconde, de kleurennauwkeurigheid, het aantal cameras enz.. De gebruikte beeldverwerkingsalgorithmen,
gestoeld op complexe wiskunde, hebben natuurlijk nog een belangrijkere impact. Zelfs met krachtige PCs is men beperkt in de mogelijkheden en
verwerkingskwaliteit die men wil bekomen, zeker wanneer men real-time verwerking beoogt.
Het onderliggende nieuw onderzoeksinitiatief beoogt de ontwikkeling van nieuwe toepassingsgerichte computationele video hardware/software
architecturen. Hierdoor zullen nieuwe video- en visie-algorithmen en systemen gerealizeerd kunnen worden die voorheen niet mogelijk waren. De
toepassingen voor dit onderzoek zijn velerlei: 3D televisie, virtuele camerasystemen, hoge kwaliteits/snelheids robot-visie en visuele
inspectiesystemen , visuele verkeersmonitoring en management systemen. In de automotive sector zullen intelligente cameras steeds meer ingang
vinden o.a. voor rijvakherkenning, tunnel detectie, passagier monitoring, hazard detectie op de weg enz.
Bij al deze toepassingen zullen real-time toepassingsgerichte computationele hardware/software visie systemen belangrijke voordelen evenals
nieuwe mogelijkheden bieden.
Organisaties:
• Expertisecentrum voor Digitale Media
• Expertisecentrum voor Digitale Media
Onderzoekers:
• Philippe BEKAERT
Multi-camera Computer Visie voor Assisted Living
Universiteit Gent
Abstract: Het doel van dit doctoraat is het herkennen en analyseren van menselijke gedragingen met meerdere camera's. De toepassingen
liggen in de niet-traditioniële bewakingssector, b.v. voor het monitoren van zieke of oudere mensen, enerzijds om probleemsituaties te detecteren,
anderzijds om revalidatie te bevorderen.
Organisaties:
• Vakgroep Telecommunicatie en informatieverwerking
Onderzoekers:
• Hamid Aghajan