論文の概要: An Embedded Feature Selection Framework for Control

• arxiv url: http://arxiv.org/abs/2206.11064v1
• Date: Sun, 19 Jun 2022 07:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-25 22:10:34.599873
• Title: An Embedded Feature Selection Framework for Control
• Title（参考訳）: 制御のための組込み特徴選択フレームワーク
• Authors: Jiawen Wei, Fangyuan Wang, Wanxin Zeng, Wenwei Lin and Ning Gui
• Abstract要約: Dual-world Embedded Attentive Feature Selection (D-AFS) は、動的制御の下でシステムの最も関連性の高いセンサーを効率的に選択できる。 DRLの反応を2つの世界で分析することにより、D-AFSは各特徴のコントロールに対する重要性を定量的に識別することができる。 その結果、D-AFSは18.7%のドラッグダウンで最適化された5プローブレイアウトをうまく見つけることができた。
• 参考スコア（独自算出の注目度）: 2.126171264016785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reducing sensor requirements while keeping optimal control performance is crucial to many industrial control applications to achieve robust, low-cost, and computation-efficient controllers. However, existing feature selection solutions for the typical machine learning domain can hardly be applied in the domain of control with changing dynamics. In this paper, a novel framework, namely the Dual-world embedded Attentive Feature Selection (D-AFS), can efficiently select the most relevant sensors for the system under dynamic control. Rather than the one world used in most Deep Reinforcement Learning (DRL) algorithms, D-AFS has both the real world and its virtual peer with twisted features. By analyzing the DRL's response in two worlds, D-AFS can quantitatively identify respective features' importance towards control. A well-known active flow control problem, cylinder drag reduction, is used for evaluation. Results show that D-AFS successfully finds an optimized five-probes layout with 18.7\% drag reduction than the state-of-the-art solution with 151 probes and 49.2\% reduction than five-probes layout by human experts. We also apply this solution to four OpenAI classical control cases. In all cases, D-AFS achieves the same or better sensor configurations than originally provided solutions. Results highlight, we argued, a new way to achieve efficient and optimal sensor designs for experimental or industrial systems. Our source codes are made publicly available at https://github.com/G-AILab/DAFSFluid.
• Abstract（参考訳）: センサ要求の低減と最適制御性能の維持は、ロバストで低コストで計算効率のよいコントローラを実現するために、多くの産業制御アプリケーションにとって不可欠である。 しかし、既存の一般的な機械学習領域の機能選択ソリューションは、ダイナミクスの変化を伴う制御領域にはほとんど適用できない。 本稿では,D-AFS(Dual World Embedded Attentive Feature Selection)と呼ばれる新しいフレームワークを用いて,動的制御下で,最も関連性の高いセンサを効率的に選択する。 多くのDeep Reinforcement Learning (DRL)アルゴリズムで使用される1つの世界ではなく、D-AFSは現実世界と、ねじれた特徴を持つ仮想ピアの両方を持っている。 2つの世界でDRLの反応を分析することで、D-AFSは各特徴の重要性を定量的に把握することができる。 良く知られたアクティブフロー制御問題であるシリンダー抵抗低減法を用いて評価を行う。 結果は、D-AFSが151プローブの最先端ソリューションよりも18.7 %のドラッグダウンと5 プローブのレイアウトよりも49.2 %の削減を達成できたことを示している。 このソリューションを4つのopenaiクラシックコントロールケースにも適用します。 いずれの場合も、D-AFSは元々提供されたソリューションと同じまたは優れたセンサー構成を実現する。 結果は、実験システムや産業システムのための効率的で最適なセンサー設計を実現する新しい方法を強調した。 ソースコードはhttps://github.com/G-AILab/DAFSFluid.comで公開されています。

関連論文リスト

• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Variational Autoencoders for exteroceptive perception in reinforcement learning-based collision avoidance [0.0]
  Deep Reinforcement Learning (DRL) は有望な制御フレームワークとして登場した。 現在のDRLアルゴリズムは、ほぼ最適ポリシーを見つけるために不均等な計算資源を必要とする。 本稿では,海洋制御システムにおける提案手法の総合的な探索について述べる。
  論文  参考訳（メタデータ） (2024-03-31T09:25:28Z)
• HW-SW Optimization of DNNs for Privacy-preserving People Counting on Low-resolution Infrared Arrays [9.806742394395322]
  低分解能赤外線(IR)アレイセンサは、空間や人の流れの占有をモニターするなどのアプリケーションを数えることができる。 ディープニューラルネットワーク(DNN)は、これらのセンサデータを正確かつ効率的な方法で処理するのに適していることが示されている。 本稿では、ニューラルネットワーク探索、混合精度量子化、後処理といったDNNのための高度に自動化されたフルスタック最適化フローを提案する。
  論文  参考訳（メタデータ） (2024-02-02T08:45:38Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Automating DBSCAN via Deep Reinforcement Learning [73.82740568765279]
  本稿では,DBSCANの自動パラメータ検索フレームワークであるDRL-DBSCANを提案する。 このフレームワークは、クラスタリング環境をマルコフ決定プロセスとして知覚することで、パラメータ探索方向を調整する過程をモデル化する。 このフレームワークはDBSCANクラスタリングの精度を最大で26%、25%改善している。
  論文  参考訳（メタデータ） (2022-08-09T04:40:11Z)
• Deep Reinforcement Learning with Shallow Controllers: An Experimental Application to PID Tuning [3.9146761527401424]
  実際の物理システム上での最先端RLアルゴリズムの実現における課題について述べる。 私たちのアプローチの核心は、トレーニング可能なRLポリシーとしてPIDコントローラを使用することです。
  論文  参考訳（メタデータ） (2021-11-13T18:48:28Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)
• Bayesian Optimization for Policy Search in High-Dimensional Systems via Automatic Domain Selection [1.1240669509034296]
  我々は,BOを高次元制御タスクに拡張するために,最適制御による結果を活用することを提案する。 BO問題を単純化するために,学習したダイナミクスモデルをモデルベースコントローラと組み合わせて利用する方法を示す。 本報告では,クワッドコプターの48次元ポリシを含む実ハードウェアおよびシミュレーションタスクについて実験的に評価する。
  論文  参考訳（メタデータ） (2020-01-21T09:04:15Z)

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。