Project detail

VESCAA: Verifiable and Efficient Synthesis of Agent Controllers

Duration: 01.03.2023 — 31.12.2025

Funding resources

Czech Science Foundation - Standardní projekty

- part funder (2023-01-01 - 2025-12-31)

On the project

Mnohé počítačové systémy mohou být chápány jako (semi-)autonomní agenti, kteří interagují se svým prostředím. Chování těchto agentů je řízeno pomocí tzv. kontrolerů, které musí nezbytně brát do úvahy různé formy neurčitosti pramenící zejména z nepredikovatelného chování prostředí a z nepřesnosti dat, které sbírají o svém stavu. Existuje několik přístupů pro automatizovaný návrh kontrolerů, ale jejich reálné nasazení je limitované buď omezenou škálovatelností nebo zárukami, které mohou poskytnout na bezpečnost výsledných kontrolerů: formální metody se typicky soustředí na bezpečnost zatímco metody strojové učení na škálovatelnost. Cílem tohoto projektu je vývoj teoretických základů a syntetizačních algoritmů, které dovolí redukovat tyto limity a tak zásadně zlepšit aplikovatelnost automatizovaného návrhu kontrolerů. Hlavní vizí projektu je adaptovat, dále vyvinout a synergicky integrovat nově vznikající paradigmata: induktivní syntézu, která vylepšuje škálovatelnost formálních metod a risk-aware učení, které vylepšuje garance bezpečnosti výsledných kontrolerů.

Description in English
Many modern computing systems can be seen as (semi)-autonomous agents interacting with their environment. The agent's behaviour is determined by a controller that necessarily needs to deal with uncertainties including unpredictability of the environment and the imprecision of data gathered about its current state. There exists a multitude of approaches to automated controller design, however, they all tackle the safety-scalability gap: scalability limits the complexity of the problems that can be handled and safety ensures that agent operates in a safe and interpretable way. There are two principal approaches: formal methods prioritize safety and reinforcement learning prioritizes scalability. The project aims at developing theoretical foundation and synthesis algorithms that reduce this gap and thus improve their practical applicability. The key idea is to adapt, further develop and synergically integrate two emerging paradigms:  inductive synthesis improving the scalability of correct-by-construction design techniques and risk-aware learning improving the safety guarantees.

Keywords
Řízení agentů v nejistém prostředí; automatizovaný návrh systémů; bezpečnost a škálovatelnost; induktivní syntéza; zpětnovazebné učení; risk-aware učení;

Key words in English
Decision making under uncertainty; controller design; safety and scalalbility; inductive synthesis; reinforcement learning, risk-aware learning;

Mark

GA23-06963S

Default language

Czech

People responsible

Andriushchenko Roman, Ing. - fellow researcher
Češka Milan, doc. RNDr., Ph.D. - principal person responsible

Units

Department of Intelligent Systems
- beneficiary (2022-03-24 - 2025-12-31)

Results

ANDRIUSHCHENKO, R.; BARTOCCI, E.; ČEŠKA, M.; FRANCESCO, P.; SARAH, S. Deductive Controller Synthesis for Probabilistic Hyperproperties. In Quantitative Evaluation of SysTems. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Cham: Springer Verlag, 2023. p. 288-306. ISBN: 978-3-031-43834-9.
Detail

ANDRIUSHCHENKO, R.; ALEXANDER, B.; ČEŠKA, M.; JUNGES, S.; KATOEN, J.; MACÁK, F. Search and Explore: Symbiotic Policy Synthesis in POMDPs. In Computer Aided Verification. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Cham: Springer Verlag, 2023. p. 113-135. ISBN: 978-3-031-37708-2.
Detail