論文の概要: Simulation of an Elevator Group Control Using Generative Adversarial Networks and Related AI Tools

• arxiv url: http://arxiv.org/abs/2009.01696v1
• Date: Thu, 3 Sep 2020 14:22:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:07:41.823229
• Title: Simulation of an Elevator Group Control Using Generative Adversarial Networks and Related AI Tools
• Title（参考訳）: 生成逆ネットワークと関連するAIツールを用いたエレベータ群制御のシミュレーション
• Authors: Tom Peetz, Sebastian Vogt, Martin Zaefferer, Thomas Bartz-Beielstein
• Abstract要約: Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。 本稿では,シミュレーションにおけるGANの適用性について検討する。
• 参考スコア（独自算出の注目度）: 0.6481500397175589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Testing new, innovative technologies is a crucial task for safety and acceptance. But how can new systems be tested if no historical real-world data exist? Simulation provides an answer to this important question. Classical simulation tools such as event-based simulation are well accepted. But most of these established simulation models require the specification of many parameters. Furthermore, simulation runs, e.g., CFD simulations, are very time consuming. Generative Adversarial Networks (GANs) are powerful tools for generating new data for a variety of tasks. Currently, their most frequent application domain is image generation. This article investigates the applicability of GANs for imitating simulations. We are comparing the simulation output of a technical system with the output of a GAN. To exemplify this approach, a well-known multi-car elevator system simulator was chosen. Our study demonstrates the feasibility of this approach. It also discusses pitfalls and technical problems that occurred during the implementation. Although we were able to show that in principle, GANs can be used as substitutes for expensive simulation runs, we also show that they cannot be used "out of the box". Fine tuning is needed. We present a proof-of-concept, which can serve as a starting point for further research.
• Abstract（参考訳）: 新しい革新的な技術をテストすることは、安全と受け入れにとって重要なタスクです。 しかし、過去の現実世界のデータがなければ、新しいシステムをどうやってテストできるのか? シミュレーションは、この重要な質問に答える。 イベントベースシミュレーションのような古典的なシミュレーションツールはよく受け入れられている。 しかし、これらの確立されたシミュレーションモデルの多くは、多くのパラメータの仕様を必要とする。 さらに、CFDシミュレーションのようなシミュレーションの実行は非常に時間がかかる。 Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。 現在、最も頻繁なアプリケーションドメインは画像生成である。 本稿ではシミュレーションにおけるGANの適用性について検討する。 我々は、技術システムのシミュレーション出力とGANの出力を比較している。 このアプローチを実証するために、よく知られたマルチカーエレベーターシステムシミュレータが選択された。 本研究は,このアプローチの実現可能性を示す。 また、実装中に発生した落とし穴や技術的な問題についても論じている。 理論的には、ganは高価なシミュレーション実行の代用として使用できるが、"アウト・オブ・ザ・ボックス(out of the box)"では使用できないことも示していた。 微調整が必要である。 我々は,さらなる研究の出発点となる概念実証を提案する。

関連論文リスト

• FactorSim: Generative Simulation via Factorized Representation [14.849320460718591]
  本稿では,エージェントの訓練に使用できる言語入力から,コード中のフルシミュレーションを生成するFACTORSIMを提案する。 評価のために、我々は、強化学習環境におけるゼロショット転送を容易にするため、生成したシミュレーションコードの精度と有効性を評価できる生成シミュレーションベンチマークを導入する。 その結果、FACTORSIMは、即時アライメント(例えば、精度)、ゼロショット転送能力、人的評価に関するシミュレーションを生成する上で、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-26T09:00:30Z)
• Semantic Capability Model for the Simulation of Manufacturing Processes [38.69817856379812]
  シミュレーションは製造工程の検査の機会を提供する。 異なるシミュレーションの組み合わせは、あるシミュレーションの出力が別のシミュレーションの入力パラメータとして機能し、結果として一連のシミュレーションとなるときに必要である。 シミュレーション、特定の知識を生成する能力、それぞれの品質基準を表現した情報モデルが導入された。
  論文  参考訳（メタデータ） (2024-08-15T09:28:08Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• ASID: Active Exploration for System Identification in Robotic Manipulation [32.27299045059514]
  本稿では,少数の実世界のデータを活用して,シミュレーションモデルを自律的に洗練し,正確な制御戦略を立案する学習システムを提案する。 本研究は, ロボット操作作業における調音, 質量, その他の物理パラメータの同定における, このパラダイムの有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-18T16:35:38Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
  本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。 まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。 我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
  論文  参考訳（メタデータ） (2022-06-22T19:33:21Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。