#IROS2024 Первый день конференции, по традиции, посвящен воркшопам и туториалам, среди которых было и организованное нашей командой мероприятие под руководством Константина Яковлева - Multi-Robot Path Planning: Heuristic Search Meets Reinforcement Learning (Tutorial). В полдня мы уместили довольно разнообразную программу. В первой части с лекциями выступили Свен Кениг (UC Irvine, создать большого количества метода многоагентного классического планирования, по которым ездят роботы в Амазоне) и Гийом Сарторетти (Университет Сингапура, основоположник обучаемого MAPF). Успели даже подискутировать на счет проблем RL в многоагентных задачах. Во второй частия, Алексей Скрынник и Антон Андрейчук рассказали про нашу среду и набор инструментов для обучения и тестирования обучаемых и классических MAPF алгоритмов - POGEMA. Рассказали и про наши последние результаты: базовую модель MAPF-GPT и обзор сред в MARL. В конце подробно на python тетрадке показали как все запускать, скачивать и обучать. Интерес, на удивление, в робо-сообществе был значительный, даже код запустить не поленилась почти половина участников.

#ECAI2024 Передаем всем привет из Сантьяго-де-Компостела, где проходит вещуая конференция по ИИ в Европе. Как обычно, программа начинается с воркшопов и туториалов, которых тут почти 50 штук. Организация конференции на высшем уровне и благодаря не такой скученности как на ICLR или AAAI здесь получается более содержательное обсуждение докладов, нет очередий и у организаторов хватает времени на разные мелки приятные орг моменты. Пакет участника очень полезный и современный. На ресепшене был струнный концерт, а на открытии были незатянутые приветсвенные слова от мэра города, министра образования и ректора университета. Но обо всем по порядку.

На воркшопе Multimodal, Affective and Interactive eXplainable AI был обзорный доклад от Albert Gatt про работы VL-SHAP и VALSE про граундинг языковых моделей и классические языковые задачки в эпоху LLM. Порадовала работа про видео ViLMA с бенчмакром про swapping аргументов действия. Еще отмечу интересную работу на воркшопе Adjustable Autonomy and Physical Embodied Intelligence про model-based для многих агентов Multi-Agent Model-Based Reinforcement Learning in Discrete Non-Markovian Reward Decision Processes, где обсуждалась формализация немарковских процессов в явном виде - наконец-то есть нормальная математическая постановка для реальных сред в RL. И упомяну воркшоп для управленцев Machine Learning Meets Differential Equations, где было много различных примеров дифференциальных уравнение, которые успешно аппроксимируются нейросетевыми методами.