論文の概要: GreenLight-Gym: A Reinforcement Learning Benchmark Environment for Greenhouse Crop Production Control

• arxiv url: http://arxiv.org/abs/2410.05336v1
• Date: Sun, 6 Oct 2024 18:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 19:17:28.617972
• Title: GreenLight-Gym: A Reinforcement Learning Benchmark Environment for Greenhouse Crop Production Control
• Title（参考訳）: GreenLight-Gym:温室作物生産管理のための強化学習ベンチマーク環境
• Authors: Bart van Laatum, Eldert J. van Henten, Sjoerd Boersma,
• Abstract要約: 強化学習(Reinforcement Learning, RL)は、温室管理を自動化するための制御ポリシーを学ぶための有望なアプローチである。 我々は,現在最先端の温室モデルであるGreenLight上でRLアルゴリズムをトレーニングし,評価するために設計された,最初のオープンソース環境であるGreenLight-Gymを紹介する。 第二に、州の境界を強制するために、乗法または加法的なペナルティを用いる2つの報酬形成アプローチを比較する。 第3に,不随意トレーニングと気象データによるRL性能の評価を行い,未知条件への一般化を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling greenhouse crop production systems is a complex task due to uncertain and non-linear dynamics between crops, indoor and outdoor climate, and economics. The declining number of skilled growers necessitates the development of autonomous greenhouse control systems. Reinforcement Learning (RL) is a promising approach that can learn a control policy to automate greenhouse management. RL optimises a control policy through interactions with a model of the greenhouse while guided by an economic-based reward function. However, its application to real-world systems is limited due to discrepancies between models and real-world dynamics. Moreover, RL controllers may struggle to maintain state constraints while optimising the primary objective, especially when models inadequately capture the adverse effects of constraint violations on crop growth. Also, the generalisation to novel states, for example, due to unseen weather trajectories, is underexplored in RL-based greenhouse control. This work addresses these challenges through three key contributions. First, we present GreenLight-Gym, the first open-source environment designed for training and evaluating RL algorithms on the state-of-the-art greenhouse model GreenLight. GreenLight-Gym enables the community to benchmark RL-based control methodologies. Second, we compare two reward-shaping approaches, using either a multiplicative or additive penalty, to enforce state boundaries. The additive penalty achieves more stable training while better adhering to state constraints, while the multiplicative penalty yields marginally higher profits. Finally, we evaluate RL performance on a disjoint training and testing weather dataset, demonstrating improved generalisation to unseen conditions. Our environment and experiment scripts are open-sourced, facilitating innovative research on learning-based greenhouse control.
• Abstract（参考訳）: 温室作物生産システムの制御は、作物、屋内および屋外の気候、経済の間の不確実かつ非線形なダイナミクスのために複雑な作業である。 熟練農家の減少は、自律的な温室制御システムの開発を必要としている。 強化学習(Reinforcement Learning, RL)は、温室管理を自動化するための制御ポリシーを学ぶための有望なアプローチである。 RLは、経済的な報酬関数によって誘導されながら、温室のモデルとの相互作用を通じて制御ポリシーを最適化する。 しかし、実世界のシステムへの適用は、モデルと実世界の力学の相違により制限されている。 さらに、RLコントローラは、特にモデルが作物の成長に対する制約違反の悪影響を適切に捉えていない場合において、主目的を最適化しながら、状態制約を維持するのに苦労する可能性がある。 また、新しい状態への一般化は、例えば、目に見えない気象軌道によるものであり、RLに基づく温室効果ガスの制御において過小評価されている。 この研究は3つの重要な貢献を通じてこれらの課題に対処する。 まず,現在最先端の温室モデルであるGreenLight上でRLアルゴリズムをトレーニングし,評価するために設計された,最初のオープンソース環境であるGreenLight-Gymを紹介する。 GreenLight-Gymは、コミュニティがRLベースの制御方法論をベンチマークできるようにする。 第二に、州の境界を強制するために、乗法または加法ペナルティを用いる2つの報酬形成アプローチを比較する。 加法的なペナルティはより安定したトレーニングを達成し、州の制約に順応し、乗法的なペナルティは極端に高い利益をもたらす。 最後に,不随意トレーニングと気象データによるRL性能の評価を行い,予測不可能な条件への一般化を実証した。 我々の環境と実験スクリプトはオープンソースであり、学習に基づく温室制御に関する革新的な研究を促進する。

関連論文リスト

• A Comparative Study of Deep Reinforcement Learning for Crop Production Management [13.123171643387668]
  適応的な作物管理政策を開発するための有望なツールとして強化学習(RL)が登場している。 ジム-DSSATの作物モデル環境において, 作物管理, PPO, 深度Q-networks (DQN) に最も広く利用されているシミュレータの1つが, 有望な結果を示している。 本研究では,PPOとDQNを,体育DSSAT環境によって提供される3つのRLタスクの静的ベースラインポリシー(肥料化,灌水,混合管理)に対して評価した。
  論文  参考訳（メタデータ） (2024-11-06T18:35:51Z)
• Intelligent Agricultural Greenhouse Control System Based on Internet of Things and Machine Learning [0.0]
  本研究は,モノのインターネット(IoT)と機械学習の融合に根ざした,高度な農業用温室制御システムを概念化し,実行しようとする試みである。 その結果、作物の生育効率と収量が向上し、資源の浪費が減少する。
  論文  参考訳（メタデータ） (2024-02-14T09:07:00Z)
• A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants [7.1771300511732585]
  モデルフリー強化学習(RL)は、制御タスクのための有望なソリューションとして登場した。 本稿では,監督制御のための近似ポリシ最適化に基づく確率制約付きRLアルゴリズムを提案する。 本手法は, 原子力プラント設計における負荷追従操作において, 違反距離と違反率の最小化を実現するものである。
  論文  参考訳（メタデータ） (2024-01-23T17:52:49Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Surrogate Empowered Sim2Real Transfer of Deep Reinforcement Learning for ORC Superheat Control [12.567922037611261]
  本稿では,ORCスーパーヒート制御のためのSim2Real転送学習型DRL制御法を提案する。 実験結果から,ORC制御問題におけるDRLのトレーニング速度を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-05T01:59:44Z)
• CCE: Sample Efficient Sparse Reward Policy Learning for Robotic Navigation via Confidence-Controlled Exploration [72.24964965882783]
  CCE (Confidence-Controlled Exploration) は、ロボットナビゲーションのようなスパース報酬設定のための強化学習アルゴリズムのトレーニングサンプル効率を高めるために設計された。 CCEは、勾配推定と政策エントロピーの間の新しい関係に基づいている。 我々は、CCEが一定軌跡長とエントロピー正規化を用いる従来の手法より優れるシミュレーションおよび実世界の実験を通して実証する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• A Multiplicative Value Function for Safe and Efficient Reinforcement Learning [131.96501469927733]
  本稿では,安全評論家と報酬評論家からなる新しい乗法値関数を持つモデルフリーRLアルゴリズムを提案する。 安全評論家は、制約違反の確率を予測し、制限のないリターンのみを見積もる報酬批評家を割引する。 安全制約を付加した古典的RLベンチマークや、画像を用いたロボットナビゲーションタスク、生のライダースキャンを観察する4つの環境において、本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-07T18:29:15Z)
• Dichotomy of Control: Separating What You Can Control from What You Cannot [129.62135987416164]
  政策の制御(行動)と政策の制御(環境)以外のメカニズムを分離する将来の条件付き教師あり学習フレームワークを提案する。 我々は,DoCが条件付入力と整合したポリシを出力し,学習したポリシを所望のハイリターン未来結果に条件付けすることで,高リターン行動が正しく引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-10-24T17:49:56Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Robust Model-based Reinforcement Learning for Autonomous Greenhouse Control [9.022924636907412]
  強化学習(RL)アルゴリズムは人間の意思決定を超え、クローズドループ制御フレームワークにシームレスに統合することができる。 本稿では,自律型温室制御のためのモデルベースロバストなRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T08:27:10Z)

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。