Manos Kirtas
Manos Kirtas obtained his Bachelor degree in Informatics from Aristotle University of Thessaloniki in November 2019. Currently he is a post-graduate student in Artificial Intelligence while he is working towards his PhD in domain of Deep Learning. His research interests include deep learning, neuromorphic neural networks and lightweight architectures.
Other than that he is interested in privacy, security and interpretable AI. Since February 2020 he is member of Artificial Intelligence and Information Analysis research group working on PlasmoniAC H2020 research project. Last but not least, he was accepted twice in Google Summer of Code by OWASP to develop critical infrastructure for a well known open source toolkit (ZAP).
Talks
Deepbots: An easy-to-use Deep Reinforcement Learning framework for robotics
Τα τελευταία χρόνια παρατηρείται μια γενικευμένη αύξηση της εφαρμογής Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning) στην ρομποτική με στόχο την διεκπεραίωση δύσκολων εργασιών. Την ίδια στιγμή, παρατηρείται και μια παράλληλη βελτίωση των προσομοιωτών ρομποτικής, που ενισχύει περαιτέρω την έρευνα στο πεδίο της εφαρμογής αυτών των αλγορίθμων. Εντούτοις, η εφαρμογή αλγορίθμων Βαθιάς Ενισχυτικής Μάθησης (DRL) σε τέτοιου είδους προσομοιωτές συχνά αποτελεί μια χρονοβόρα και δύσκολη διαδικασία καθώς απαιτεί την ανάπτυξη της διεπαφής μεταξύ του προσομοιωτή και των αλγορίθμων, με αποτέλεσμα να περιορίζει σημαντικά την χρήση τους από ερευνητές και τους φοιτητές. Για τον λόγο αυτό αναπτύξαμε μια open-source βιβλιοθήκη για python προκειμένου να ξεπεραστούν οι παραπάνω περιορισμοί. Πιο συγκεκριμένα, το παρόν project αποτελεί ένα εύκολο στην χρήση framework που προσαρμόζει την καθιερωμένη DRL διεπαφή που χρησιμοποιείται από τους ερευνητές, OpenAI gym interface, με τον state-of-the-art και open-source προσομοιωτή Webots προκειμένου να εγκαθιδρύσει έναν τρόπο στην εφαρμογή DRL αλγορίθμων σε πληθώρα ρομποτικών σεναρίων. Στόχος του deepbots είναι να ενσωματώσει τις λεπτομέρειες της διεπαφής του Webots μειώνοντας τον κόπο των ερευνητών στο να αναπτύξουν DRL αλγορίθμους σε τέτοια περιβάλλοντα. Τέλος, στόχος μας είναι να δημιουργήσουμε ένα οικοσύστημα ερευνητών και φοιτητών γύρω από την δημιουργία και τον πειραματισμό τεχνικών βαθιάς ενισχυτικής μάθησης στην ρομποτική.