論文の概要: Movement Analytics: Current Status, Application to Manufacturing, and
Future Prospects from an AI Perspective
- arxiv url: http://arxiv.org/abs/2210.01344v1
- Date: Tue, 4 Oct 2022 03:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 14:15:16.692477
- Title: Movement Analytics: Current Status, Application to Manufacturing, and
Future Prospects from an AI Perspective
- Title（参考訳）: 移動分析:aiの視点からみた現状, 製造への応用, 今後の展望
- Authors: Peter Baumgartner, Daniel Smith, Mashud Rana, Reena Kapoor, Elena
Tartaglia, Andreas Schutt, Ashfaqur Rahman, John Taylor, Simon Dunstall
- Abstract要約: IoTベースのその他のオブジェクトトラッキングは、空間と時間のオブジェクト/エンティティの移動データを収集する新たなツールである。
ムーブメントデータは、プロセスのボトルネック、リソース利用、効果的な作業時間など、貴重な洞察を提供することができます。
- 参考スコア（独自算出の注目度）: 1.2908803492980705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven decision making is becoming an integral part of manufacturing
companies. Data is collected and commonly used to improve efficiency and
produce high quality items for the customers. IoT-based and other forms of
object tracking are an emerging tool for collecting movement data of
objects/entities (e.g. human workers, moving vehicles, trolleys etc.) over
space and time. Movement data can provide valuable insights like process
bottlenecks, resource utilization, effective working time etc. that can be used
for decision making and improving efficiency.
Turning movement data into valuable information for industrial management and
decision making requires analysis methods. We refer to this process as movement
analytics. The purpose of this document is to review the current state of work
for movement analytics both in manufacturing and more broadly.
We survey relevant work from both a theoretical perspective and an
application perspective. From the theoretical perspective, we put an emphasis
on useful methods from two research areas: machine learning, and logic-based
knowledge representation. We also review their combinations in view of movement
analytics, and we discuss promising areas for future development and
application. Furthermore, we touch on constraint optimization.
From an application perspective, we review applications of these methods to
movement analytics in a general sense and across various industries. We also
describe currently available commercial off-the-shelf products for tracking in
manufacturing, and we overview main concepts of digital twins and their
applications.
- Abstract（参考訳）: データ駆動意思決定は、製造業の不可欠な部分になりつつある。
データは収集され、効率を改善し、顧客のために高品質なアイテムを作成するために一般的に使用される。
IoTベースのその他のオブジェクトトラッキングは、オブジェクトやエンティティ(例えば、ヒューマンワーカー、移動車両、トロリーなど)の空間と時間の移動データを収集する新しいツールである。
移動データは、プロセスボトルネック、リソース利用、効果的な作業時間など、意思決定や効率向上に使用できる貴重な洞察を提供することができる。
移動データを産業管理や意思決定に有用な情報に変換するには,分析手法が必要である。
この過程を運動分析と呼ぶ。
本研究の目的は, 製造業における移動分析の現況を, より広い範囲でレビューすることである。
理論的視点と応用視点の両方から関連する研究を調査する。
理論的な観点からは、機械学習と論理に基づく知識表現という2つの研究分野から有用な方法に重点を置く。
また,これらの組み合わせを運動分析の観点から検討し,今後の開発と応用に有望な分野について考察する。
さらに,制約最適化にも触れる。
アプリケーションの観点から,様々な産業における移動分析へのこれらの手法の適用について概観する。
また,現在市販されている市販の市販製品について述べるとともに,デジタルツインとその応用に関する主要な概念を概説する。
関連論文リスト
- Context-aware Advertisement Modeling and Applications in Rapid Transit Systems [1.342834401139078]
本稿では,行動分析と追跡分析を用いた広告モデルを提案する。
本稿では,エージェント・ベース・モデリング(ABM)技術を用いたモデルを提案する。
論文 参考訳（メタデータ） (2024-09-16T02:59:36Z) - Automated Knowledge Graph Learning in Industrial Processes [0.0]
本稿では,時系列データから知識グラフを自動学習するフレームワークについて紹介する。
我々のフレームワークは、産業データセットに固有の複雑さに対処し、意思決定、プロセス最適化、知識発見を改善する知識グラフに変換する。
論文 参考訳（メタデータ） (2024-07-02T09:47:56Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。
そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
論文 参考訳（メタデータ） (2023-12-21T14:20:06Z) - Literature Review: Computer Vision Applications in Transportation
Logistics and Warehousing [58.720142291102135]
輸送物流や倉庫におけるコンピュータビジョンの応用は、プロセスの自動化に大きな可能性を秘めている。
本稿では、この可能性を活用するために、この分野の研究に関する構造化された文献レビューを紹介する。
論文 参考訳（メタデータ） (2023-04-12T17:33:41Z) - Motion Capture Benchmark of Real Industrial Tasks and Traditional Crafts
for Human Movement Analysis [0.0]
本稿では,慣性に基づくモーションキャプチャを用いて記録した7つのデータセットについて述べる。
データセットには、産業従事者や熟練した職人が現場で行うプロのジェスチャーが含まれている。
論文 参考訳（メタデータ） (2023-04-03T10:29:24Z) - A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented,
Temporal and Depth-aware design [77.34726150561087]
我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。
私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
論文 参考訳（メタデータ） (2023-03-08T01:29:55Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Data Science for Motion and Time Analysis with Modern Motion Sensor Data [14.105132549564873]
モーション・アンド・タイム分析は、オペレーション・リサーチにおいて人気のある研究トピックである。
リーン製造とスマートファクトリのための継続的改善ツールとして、再び注目を集めています。
本稿では,作業動作のデータ駆動分析のためのフレームワークを開発し,作業速度や実行速度との関係について検討する。
論文 参考訳（メタデータ） (2020-08-25T02:33:33Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。