論文の概要: Reinforcement learning adaptive fuzzy controller for lighting systems:
application to aircraft cabin
- arxiv url: http://arxiv.org/abs/2310.00525v1
- Date: Sat, 30 Sep 2023 23:55:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 03:50:48.225411
- Title: Reinforcement learning adaptive fuzzy controller for lighting systems:
application to aircraft cabin
- Title（参考訳）: 照明システムの強化学習適応ファジィ制御:航空機キャビンへの適用
- Authors: Kritika Vashishtha, Anas Saad, Reza Faieghi, Fengfeng Xi
- Abstract要約: 本研究では,環境条件に基づいて照明設定レコメンデーションを生成するファジィ推論システム(FIS)を開発した。
フィードバック機構を通じて、ユーザはアルゴリズムと対話し、アルゴリズムの出力を好みに補正する。
本研究では,航空機キャビンモックアップにアルゴリズムを実装し,アルゴリズムの有効性を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The lighting requirements are subjective and one light setting cannot work
for all. However, there is little work on developing smart lighting algorithms
that can adapt to user preferences. To address this gap, this paper uses fuzzy
logic and reinforcement learning to develop an adaptive lighting algorithm. In
particular, we develop a baseline fuzzy inference system (FIS) using the domain
knowledge. We use the existing literature to create a FIS that generates
lighting setting recommendations based on environmental conditions i.e. daily
glare index, and user information including age, activity, and chronotype.
Through a feedback mechanism, the user interacts with the algorithm, correcting
the algorithm output to their preferences. We interpret these corrections as
rewards to a Q-learning agent, which tunes the FIS parameters online to match
the user preferences. We implement the algorithm in an aircraft cabin mockup
and conduct an extensive user study to evaluate the effectiveness of the
algorithm and understand its learning behavior. Our implementation results
demonstrate that the developed algorithm possesses the capability to learn user
preferences while successfully adapting to a wide range of environmental
conditions and user characteristics. and can deal with a diverse spectrum of
environmental conditions and user characteristics. This underscores its
viability as a potent solution for intelligent light management, featuring
advanced learning capabilities.
- Abstract（参考訳）: 照明要件は主観的であり、1つの照明設定は全く機能しない。
しかし、ユーザの好みに適応できるスマート照明アルゴリズムの開発には、ほとんど取り組んでいない。
このギャップに対処するために,ファジィ論理と強化学習を用いて適応照明アルゴリズムを開発した。
特に,ドメイン知識を用いたベースラインファジィ推論システム(FIS)を開発した。
我々は既存の文献を用いて,環境条件,すなわち毎日のグレア指標,および年齢,活動,クロノタイプを含むユーザ情報に基づいて照明設定レコメンデーションを生成するfisを作成する。
フィードバック機構を通じて、ユーザはアルゴリズムと対話し、アルゴリズムの出力を好みに補正する。
我々は、これらの修正をQ学習エージェントの報酬と解釈し、FISパラメータをオンラインで調整してユーザの好みにマッチさせる。
このアルゴリズムを航空機のキャビンのモックアップに実装し,アルゴリズムの有効性を評価し,その学習行動を理解するために広範なユーザ調査を行った。
その結果,本アルゴリズムは幅広い環境条件とユーザ特性に適応しながら,ユーザの好みを学習する能力を有することがわかった。
様々な環境条件やユーザー特性に対応できます
これは、高度な学習機能を備えたインテリジェントな光管理のための強力なソリューションとして、その実現可能性を強調している。
関連論文リスト
- When Online Algorithms Influence the Environment: A Dynamical Systems Analysis of the Unintended Consequences [5.4209739979186295]
オンラインアルゴリズムが学習環境に与える影響を分析する。
提案アルゴリズムは,このミスマッチの存在下で個体群の嗜好を学習できる場合,利用者の嗜好に類似性をもたらすことを示す。
論文 参考訳（メタデータ） (2024-11-21T06:47:53Z) - Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。
本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
論文 参考訳（メタデータ） (2024-07-09T17:55:23Z) - Light-SLAM: A Robust Deep-Learning Visual SLAM System Based on LightGlue under Challenging Lighting Conditions [2.0397901353954806]
我々はLightGlue深層学習ネットワークに基づく視覚SLAMのための新しいハイブリッドシステムを提案する。
従来の幾何学的アプローチを組み合わせて、単眼、双眼、RGB-Dセンサーのための完全な視覚SLAMシステムを導入しました。
実験結果から, 本手法は低照度で光度が強い環境に適応する上で, 精度とロバスト性を示すことがわかった。
論文 参考訳（メタデータ） (2024-05-10T10:54:03Z) - Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。
カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。
我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文 参考訳（メタデータ） (2022-04-21T14:40:32Z) - An Optical Control Environment for Benchmarking Reinforcement Learning
Algorithms [7.6418236982756955]
深層強化学習は様々な科学的問題に対処する可能性がある。
本稿では,学習用コントローラのための光学シミュレーション環境を提案する。
その結果,従来のシミュレーション環境よりも環境の優位性が示された。
論文 参考訳（メタデータ） (2022-03-23T00:59:35Z) - Frequency-aware SGD for Efficient Embedding Learning with Provable
Benefits [35.543124939636044]
本稿では,各トークンに対して周波数依存学習率を適用し,トークン分布が不均衡な場合にはSGDと比較して高い高速化を示す,大規模Descent(Counter-based)対応のDescentを提案する。
論文 参考訳（メタデータ） (2021-10-10T16:17:43Z) - Learning to Reach, Swim, Walk and Fly in One Trial: Data-Driven Control
with Scarce Data and Side Information [24.330188770135273]
我々は、非常に厳しいデータ制限の下で未知の力学系に対する学習に基づく制御アルゴリズムを開発した。
データ不足にもかかわらず、このアルゴリズムは何百万もの環境相互作用で訓練された強化学習アルゴリズムに匹敵する性能を提供できることを示す。
高忠実なF-16航空機シミュレータと、リーチャー、スイマー、チーターのようなMuJoCoの環境の実験では、アルゴリズムの有効性が示されている。
論文 参考訳（メタデータ） (2021-06-19T17:10:27Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。
本稿では,更新ルール全体を検出するメタラーニング手法を提案する。
これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文 参考訳（メタデータ） (2020-07-17T07:38:39Z) - Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。
目的はオンラインで発見されるため、時間とともに変化に適応することができる。
Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
論文 参考訳（メタデータ） (2020-07-16T16:17:09Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。