Fugu-MT 論文翻訳(概要): Logic-Free Building Automation: Learning the Control of Room Facilities with Wall Switches and Ceiling Camera

論文の概要: Logic-Free Building Automation: Learning the Control of Room Facilities with Wall Switches and Ceiling Camera

arxiv url: http://arxiv.org/abs/2410.02789v1
Date: Wed, 18 Sep 2024 04:23:53 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 05:44:23.643836
Title: Logic-Free Building Automation: Learning the Control of Room Facilities with Wall Switches and Ceiling Camera
Title（参考訳）: 論理自由な建築自動化:壁スイッチとシーリングカメラによる室内設備の制御を学習する
Authors: Hideya Ochiai, Kohki Hashimoto, Takuya Sakamoto, Seiya Watanabe, Ryosuke Hara, Ryo Yagi, Yuji Aizono, Hiroshi Esaki,
Abstract要約: 本稿では,ディープラーニング(DL)を利用した論理自由構築自動化(LFBA)のための新しいアーキテクチャを提案する。我々のアプローチはRLと異なり、監視信号として壁スイッチと天井カメラを使用して環境を監視し、DLモデルがシーンから直接ユーザの好みの制御を学習し、状態を変えられるようにしている。
参考スコア（独自算出の注目度）: 1.5498594551448064
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial intelligence enables smarter control in building automation by its learning capability of users' preferences on facility control. Reinforcement learning (RL) was one of the approaches to this, but it has many challenges in real-world implementations. We propose a new architecture for logic-free building automation (LFBA) that leverages deep learning (DL) to control room facilities without predefined logic. Our approach differs from RL in that it uses wall switches as supervised signals and a ceiling camera to monitor the environment, allowing the DL model to learn users' preferred controls directly from the scenes and switch states. This LFBA system is tested by our testbed with various conditions and user activities. The results demonstrate the efficacy, achieving 93%-98% control accuracy with VGG, outperforming other DL models such as Vision Transformer and ResNet. This indicates that LFBA can achieve smarter and more user-friendly control by learning from the observable scenes and user interactions.
Abstract（参考訳）: 人工知能は、ユーザーが施設の制御を好み、学習能力によって自動化を構築する際に、よりスマートな制御を可能にする。強化学習(RL)は、これに対するアプローチの1つだが、実世界の実装において多くの課題がある。本稿では,ディープラーニング(DL)を利用した論理自由構築自動化(LFBA)のための新しいアーキテクチャを提案する。我々のアプローチはRLと異なり、監視信号として壁スイッチと天井カメラを使用して環境を監視し、DLモデルがシーンから直接ユーザの好みの制御を学習し、状態を変えられるようにしている。このLFBAシステムは,テストベッドによって様々な条件とユーザアクティビティでテストされる。その結果、VGGで93%-98%の制御精度を達成し、Vision TransformerやResNetなどの他のDLモデルよりも優れた結果を得た。これは、観測可能なシーンとユーザインタラクションから学習することで、LFBAがよりスマートでユーザフレンドリなコントロールを実現できることを示している。

関連論文リスト

DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。 VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
論文参考訳（メタデータ） (2024-06-14T17:49:55Z)
Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文参考訳（メタデータ） (2024-01-30T10:48:43Z)
A comparison of RL-based and PID controllers for 6-DOF swimming robots: hybrid underwater object tracking [8.362739554991073]
本稿では,PIDコントローラの代替として,集中型深層Q-network(DQN)コントローラを用いた調査と評価を行う。我々の主な焦点は、この遷移を水中物体追跡の特定のケースで説明することに集中している。本実験は,Unityをベースとしたシミュレータで実施し,分離したPIDコントローラ上での集中型RLエージェントの有効性を検証した。
論文参考訳（メタデータ） (2024-01-29T23:14:15Z)
Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation [3.807917169053206]
スケールされたロボットカーは通常、車両の状態の推定と制御に特化したタスクを含む階層的な制御機構を備えている。本稿では, (i) フェデレートされた拡張カルマンフィルタ (FEKF) と (ii) エキスパートデモレータを用いて訓練された新しい深部強化学習 (DRL) パストラッキングコントローラを提案する。実験により検証されたモデルは、(i)FEKFの設計を支援するために使用され、(ii)DRLに基づく経路追跡アルゴリズムをトレーニングするためのデジタルツインとして機能する。
論文参考訳（メタデータ） (2024-01-10T14:40:53Z)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
ASHA: Assistive Teleoperation via Human-in-the-Loop Reinforcement Learning [91.58711082348293]
オンラインユーザからのフィードバックからシステムのパフォーマンスに関する強化学習は、この問題に対する自然な解決策である。このアプローチでは、特にフィードバックが不足している場合には、ループ内の大量のトレーニングデータが必要になる傾向があります。疎いユーザフィードバックから効率的に学習する階層型ソリューションを提案する。
論文参考訳（メタデータ） (2022-02-05T02:01:19Z)
Deep Q-learning: a robust control approach [4.125187280299247]
ニューラルネットワークカーネルを用いて不確実な線形時間不変モデルを定式化し,学習を記述する。周波数領域におけるエージェントの動作を学習し解析することの不安定さを示す。 OpenAI Gym環境における数値シミュレーションにより,$mathcalH_infty$制御学習はDouble Deep Q-learningよりも若干優れていたことが示唆された。
論文参考訳（メタデータ） (2022-01-21T09:47:34Z)
Symbolic Reinforcement Learning for Safe RAN Control [62.997667081978825]
無線アクセスネットワーク(RAN)アプリケーションにおける安全な制御のためのシンボリック強化学習(SRL)アーキテクチャを紹介します。本ツールでは,LTL(Linear Temporal Logic)で表現された高レベルの安全仕様を選択して,所定のセルネットワーク上で動作しているRLエージェントをシールドする。ユーザインタフェース(ui)を用いて,ユーザがインテントの仕様をアーキテクチャに設定し,許可されたアクションとブロックされたアクションの違いを検査する。
論文参考訳（メタデータ） (2021-03-11T10:56:49Z)
Deep Reinforcement Learning with Embedded LQR Controllers [1.256413718364189]
本稿では,LQR制御をアクションセットに統合し,リプレイメモリにおける計算制御の一般化と回避を可能にする手法を提案する。いずれの場合も、LQR制御の追加はパフォーマンスを向上させることができるが、離散的なアクションセットを強化するために使用できる場合、効果はより重大である。
論文参考訳（メタデータ） (2021-01-18T17:28:48Z)
Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
論文参考訳（メタデータ） (2020-09-21T16:49:26Z)

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。