論文の概要: Robotic Packaging Optimization with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2303.14693v2
• Date: Fri, 16 Jun 2023 10:31:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 17:35:10.172611
• Title: Robotic Packaging Optimization with Reinforcement Learning
• Title（参考訳）: 強化学習によるロボットパッケージング最適化
• Authors: Eveline Drijver, Rodrigo P\'erez-Dattari, Jens Kober, Cosimo Della Santina and Zlatan Ajanovi\'c
• Abstract要約: 本研究は,コンベアベルトから容器に食品を輸送する自動二次ロボット食品包装ソリューションについて検討する。 これらのソリューションの大きな問題は、大幅な生産性低下を引き起こす可能性のある製品供給の変化である。 本稿では,コンベアベルトの速度を最適化し,制御系の他の部分との干渉を最小限に抑えた強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.811534788312546
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Intelligent manufacturing is becoming increasingly important due to the growing demand for maximizing productivity and flexibility while minimizing waste and lead times. This work investigates automated secondary robotic food packaging solutions that transfer food products from the conveyor belt into containers. A major problem in these solutions is varying product supply which can cause drastic productivity drops. Conventional rule-based approaches, used to address this issue, are often inadequate, leading to violation of the industry's requirements. Reinforcement learning, on the other hand, has the potential of solving this problem by learning responsive and predictive policy, based on experience. However, it is challenging to utilize it in highly complex control schemes. In this paper, we propose a reinforcement learning framework, designed to optimize the conveyor belt speed while minimizing interference with the rest of the control system. When tested on real-world data, the framework exceeds the performance requirements (99.8% packed products) and maintains quality (100% filled boxes). Compared to the existing solution, our proposed framework improves productivity, has smoother control, and reduces computation time.
• Abstract（参考訳）: 廃棄物やリードタイムを最小化しながら生産性と柔軟性を最大化する需要が高まっているため、インテリジェント製造の重要性が高まっている。 本研究は,コンベアベルトから容器に食品を輸送する自動二次ロボット食品包装ソリューションについて検討する。 これらのソリューションの大きな問題は、大幅な生産性低下を引き起こす可能性のある製品供給の変化である。 この問題に対処するために使用される従来のルールベースのアプローチは、しばしば不十分であり、業界の要求に違反する。 一方、強化学習は、経験に基づいて応答性と予測ポリシーを学習することで、この問題を解決する可能性を秘めている。 しかし,高度に複雑な制御方式では利用が困難である。 本稿では,コンベアベルトの速度を最適化し,制御系の他の部分との干渉を最小限に抑えた強化学習フレームワークを提案する。 実世界のデータでテストすると、このフレームワークはパフォーマンス要件(99.8%の製品)を超え、品質(100%の箱)を維持している。 既存のソリューションと比較して,提案フレームワークは生産性を向上し,よりスムーズに制御でき,計算時間を短縮できる。

関連論文リスト

• Accelerate Presolve in Large-Scale Linear Programming via Reinforcement Learning [92.31528918811007]
  本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。 2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-10-18T09:51:59Z)
• Reinforcement Learning of Display Transfer Robots in Glass Flow Control Systems: A Physical Simulation-Based Approach [6.229216953398305]
  フロー制御システムは製造システムの生産能力を高めるための重要な概念である。 フロー制御に関するスケジューリング最適化問題を解決するため、既存の手法はドメイン・ヒューマン・エキスパートによる設計に依存している。 本稿では,物理シミュレーション環境を実装し,ディスプレイ製造における移動ロボットを用いた現実的なフロー制御システムの設計を提案する。
  論文  参考訳（メタデータ） (2023-10-12T02:10:29Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Learning Agile Paths from Optimal Control [7.515638424396695]
  モーションプランニングアルゴリズムは、ロボットを現実世界に展開する上で重要な要素である。 これらのアルゴリズムはしばしば、実現可能性のために問題の次元を劇的に削減する。 本研究は、最適制御手法の出力に基づいて機械学習モデルを訓練することにより、これらの問題を同時に解決するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-30T23:58:48Z)
• Actively Learning Costly Reward Functions for Reinforcement Learning [56.34005280792013]
  複雑な実世界の環境でエージェントを訓練することは、桁違いに高速であることを示す。 強化学習の手法を新しい領域に適用することにより、興味深く非自明な解を見つけることができることを示す。
  論文  参考訳（メタデータ） (2022-11-23T19:17:20Z)
• Positioning Fog Computing for Smart Manufacturing [1.0965065178451106]
  リアルタイム産業品質管理のための機械学習システムについて検討する。 自動品質管理システムを開発する上では、機械学習が有効な選択肢だと考えています。 本稿では,機械学習による品質管理の必要性を満たすため,自動化制御の標準階層に新しいフォグコンピューティング層を導入することを提案する。
  論文  参考訳（メタデータ） (2022-05-22T16:03:29Z)
• Comparing Heuristics, Constraint Optimization, and Reinforcement Learning for an Industrial 2D Packing Problem [58.720142291102135]
  カットとパッケージングの問題は、ビジネスの収益に直接影響を与えるさまざまな業界で起きている。 機械学習は、このような問題を解決するためにますます使われています。
  論文  参考訳（メタデータ） (2021-10-27T15:47:47Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• The Factory Must Grow: Automation in Factorio [3.877356414450363]
  本稿では,ロジスティックトランスポートベルト問題を定義し,その整数プログラミングモデルを定義する。 我々は,この問題を最適化するための3つのメタヒューリスティック手法であるシミュレート・アニーリング,クイック・ジェネティック・プログラミング,進化的強化学習の結果を提示する。
  論文  参考訳（メタデータ） (2021-02-09T15:14:27Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。