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
- Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy [2.980666177064344]
ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてサロゲートを構築することができる。
そこで我々は,類似のPCEサロゲート構築タスクを通じて得られた知識を新たなサロゲート構築タスクに転送することで,伝達学習を活用することを提案する。
論文 参考訳(メタデータ) (2023-12-07T19:16:42Z) - 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) - Forces are not Enough: Benchmark and Critical Evaluation for Machine
Learning Force Fields with Molecular Simulations [5.138982355658199]
分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。
我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
論文 参考訳(メタデータ) (2022-10-13T17:59:03Z) - 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) - Sim2real for Reinforcement Learning Driven Next Generation Networks [4.29590751118341]
Reinforcement Learning (RL) モデルは、RAN関連多目的最適化問題の解決の鍵と見なされている。
主な理由の1つはシミュレーションと実環境の間のモデリングギャップであり、RLエージェントは実環境に不適合なシミュレーションによって訓練される可能性がある。
この記事では、Open RAN(O-RAN)のコンテキストにおけるsim2realチャレンジについて述べます。
実環境におけるシミュレーション訓練されたRLモデルの障害モードを実証し、実証するために、いくつかのユースケースが提示される。
論文 参考訳(メタデータ) (2022-06-08T12:40:24Z) - 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) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - 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。