No dia 12 de março irá decorrer a sessão Scalable and reliable collaborative autonomy via online learning, coordination, and control, que contará com a presença do professor Vasileios Tzoumas

Vasileios Tzoumas é professor assistente na Universidade de Michigan, onde lidera o Intelligent Robotics and Autonomy Lab (iRaL) e preside o Comité de Sucesso Académico, Comunidade e Divulgação. Anteriormente, Vasileios realizou investigação no MIT e na UPenn como estudante de doutoramento. A sua investigação é focada em sistemas ciberfísicos escaláveis e confiáveis em ambientes com recursos limitados, não estruturados e contestados, como sistemas encontrados na defesa e resposta a desastres e em cidades inteligentes. Trabalha na interseção entre controlo, robótica e otimização e aprendizagem online. Vasileios recebeu o Prémio NSF CAREER, o Prémio de Melhor Artigo em Visão de Robôs na Conferência Internacional IEEE sobre Robótica e Automação (ICRA) de 2020, uma Menção Honrosa nas IEEE Robotics and Automation Letters (RA-L) de 2020 e um prémio de Finalista de Melhor Artigo de Estudante na Conferência IEEE sobre Decisão e Controle (CDC) de 2017.

Resumo:

"Os especialistas em robótica têm em perspetiva sistemas de robôs autónomos que realizem tarefas críticas e de segurança de forma colaborativa, desde mapeamento até inspeção e rastreamento de alvos. No entanto, atualmente é um desafio que estas tarefas sejam completadas de forma rápida e confiável. Uma razão para isso é que elas frequentemente se apresentam como problemas de otimização combinatória NP-difícil. Outra razão é que podem exigir operações em ambientes não estruturados, desconhecidos e com recursos limitados. Por exemplo, os robôs podem ter acesso apenas a uma comunicação lenta entre veículos, podem ser desafiados por obstáculos móveis com dinâmicas desconhecidas e podem estar expostos a distúrbios difíceis de modelar, como efeitos do solo, turbulência e vento. As abordagens atuais quase ótimas não conseguem escalar para mais de um pequeno número de robôs e dependem de suposições conservadoras sobre os desconhecidos que comprometem o controle preciso.

Apresentarei métodos de coordenação e controle quase ótimos para superar esses desafios. Na coordenação, apresentarei algoritmos quase ótimos que escalam para dezenas de robôs. Crítico para nossa abordagem é uma nova estrutura de otimização descentralizada que permite suprimir a comunicação, levando em conta o impacto no desempenho da aproximação. No controlo, apresentarei métodos de controle preditivo de modelo que se adaptam às dinâmicas e distúrbios desconhecidos, garantindo a ausência de arrependimento. O ponto crucial de nossa abordagem é um método de identificação de sistemas online auto-supervisionado para distúrbios não-lineares e dependentes do estado. Utilizamos ferramentas de controlo não linear, otimização submodular e aprendizagem automática. Demonstrarei os métodos em experimentos simulados e em hardware. Concluirei a palestra defendendo a necessidade de uma coadaptação online do hardware, dos algoritmos e das suas redes para escalabilidade e confiabilidade.