論文の概要: ControlAgent: Automating Control System Design via Novel Integration of LLM Agents and Domain Expertise

• arxiv url: http://arxiv.org/abs/2410.19811v1
• Date: Thu, 17 Oct 2024 17:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:49:52.755506
• Title: ControlAgent: Automating Control System Design via Novel Integration of LLM Agents and Domain Expertise
• Title（参考訳）: ControlAgent: LLMエージェントとドメインエキスパートの新たな統合による制御システム設計の自動化
• Authors: Xingang Guo, Darioush Keivan, Usman Syed, Lianhui Qin, Huan Zhang, Geir Dullerud, Peter Seiler, Bin Hu,
• Abstract要約: 制御系設計は、様々な分野にわたる広範囲の応用を持つ近代工学の重要な側面である。 様々な領域におけるLarge Language Models (LLM) の進歩にもかかわらず、制御系設計におけるそれらの応用は、制御理論の複雑さと特異性のために制限されている。 LLMエージェントと制御指向ドメイン専門知識の新たな統合により制御システム設計を自動化する新しいパラダイムであるControlAgentを紹介する。
• 参考スコア（独自算出の注目度）: 14.14268499543524
• License:
• Abstract: Control system design is a crucial aspect of modern engineering with far-reaching applications across diverse sectors including aerospace, automotive systems, power grids, and robotics. Despite advances made by Large Language Models (LLMs) in various domains, their application in control system design remains limited due to the complexity and specificity of control theory. To bridge this gap, we introduce ControlAgent, a new paradigm that automates control system design via novel integration of LLM agents and control-oriented domain expertise. ControlAgent encodes expert control knowledge and emulates human iterative design processes by gradually tuning controller parameters to meet user-specified requirements for stability, performance, and robustness. ControlAgent integrates multiple collaborative LLM agents, including a central agent responsible for task distribution and task-specific agents dedicated to detailed controller design for various types of systems and requirements. ControlAgent also employs a Python computation agent that performs complex calculations and controller evaluations based on standard design information provided by task-specified LLM agents. Combined with a history and feedback module, the task-specific LLM agents iteratively refine controller parameters based on real-time feedback from prior designs. Overall, ControlAgent mimics the design processes used by (human) practicing engineers, but removes all the human efforts and can be run in a fully automated way to give end-to-end solutions for control system design with user-specified requirements. To validate ControlAgent's effectiveness, we develop ControlEval, an evaluation dataset that comprises 500 control tasks with various specific design goals. The effectiveness of ControlAgent is demonstrated via extensive comparative evaluations between LLM-based and traditional human-involved toolbox-based baselines.
• Abstract（参考訳）: 制御系設計は、航空宇宙、自動車システム、電力網、ロボット工学を含む様々な分野にまたがる広範囲の応用を持つ近代工学の重要な側面である。 様々な領域におけるLarge Language Models (LLM) の進歩にもかかわらず、制御系設計におけるそれらの応用は、制御理論の複雑さと特異性のために制限されている。 このギャップを埋めるために、LLMエージェントと制御指向ドメイン専門知識の新たな統合を通じて制御システム設計を自動化する新しいパラダイムであるControlAgentを導入する。 ControlAgentは、専門家の制御知識を符号化し、安定性、性能、堅牢性の要求を満たすために、制御パラメータを徐々に調整することで、人間の反復設計プロセスをエミュレートする。 ControlAgentは複数の協調LDMエージェントを統合しており、タスクの分散に責任を負う中央エージェントと、様々な種類のシステムや要求に対する詳細なコントローラ設計専用のタスク固有のエージェントを含んでいる。 ControlAgentはまた、タスク特定LLMエージェントが提供する標準設計情報に基づいて複雑な計算とコントローラ評価を行うPython計算エージェントも採用している。 履歴とフィードバックモジュールを組み合わせることで、タスク固有のLLMエージェントは、以前の設計からのリアルタイムフィードバックに基づいて、コントローラパラメータを反復的に洗練する。 全体として、ControlAgentは(人間)実践エンジニアが使用する設計プロセスを模倣しますが、すべての人の努力を排除し、完全に自動化された方法で実行することで、ユーザ指定の要件を持ったコントロールシステム設計のためのエンドツーエンドのソリューションを提供します。 ControlAgentの有効性を検証するために,500の制御タスクと様々な設計目標を含む評価データセットであるControlEvalを開発した。 ControlAgentの有効性は、LLMベースと従来の人為的ツールボックスベースラインとの広範な比較評価によって実証される。

関連論文リスト

• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• Agent S: An Open Agentic Framework that Uses Computers Like a Human [31.16046798529319]
  我々は、GUI(Graphical User Interface)を通じてコンピュータとの自律的なインタラクションを可能にするオープンエージェントフレームワークであるAgent Sを提案する。 Agent Sは、ドメイン固有の知識の取得、長いタスクの水平線の計画、動的で一様でないインターフェイスの処理という、コンピュータタスクの自動化における3つの重要な課題に対処することを目指している。
  論文  参考訳（メタデータ） (2024-10-10T17:43:51Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは進化的アルゴリズムによって専門家エージェントをマルチエージェントシステムに自動的に拡張する汎用的な手法である。 EvoAgentは複数の専門家エージェントを自動生成し,LLMエージェントのタスク解決能力を大幅に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） (2024-06-20T11:49:23Z)
• Meta-Control: Automatic Model-based Control Synthesis for Heterogeneous Robot Skills [10.43221469116584]
  本稿では,特定のタスクに合わせて,カスタマイズされた状態表現と制御戦略を作成するメタコントロルを提案する。 私たちの中核的な洞察は、人間の専門家が制御システムの設計に使用する思考プロセスを自動化するために、メタ制御システムを構築することができるということです。
  論文  参考訳（メタデータ） (2024-05-18T19:58:44Z)
• SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering [79.07755560048388]
  SWEエージェント(SWE-agent)は、LMエージェントが自律的にコンピュータを使用してソフトウェア工学のタスクを解決するシステムである。 SWEエージェントのカスタムエージェントコンピュータインタフェース(ACI)は、エージェントがコードファイルを作成し編集し、リポジトリ全体をナビゲートし、テストやその他のプログラムを実行する能力を著しく向上させる。 我々はSWE-benchとHumanEvalFixのSWE-agentを評価し、それぞれ12.5%と87.7%のパス@1レートで最先端の性能を実現した。
  論文  参考訳（メタデータ） (2024-05-06T17:41:33Z)
• Decision Transformer as a Foundation Model for Partially Observable Continuous Control [5.453548045211778]
  決定変換器(DT)アーキテクチャは、過去の観測、行動、報酬に基づいて最適な行動を予測するために使用される。 DTは、全く新しいタスクに対して驚くべきゼロショットの一般化能力を示す。 これらの知見は、一般的な制御アプリケーションの基本制御系としてのDTの可能性を示している。
  論文  参考訳（メタデータ） (2024-04-03T02:17:34Z)
• ReACT: Reinforcement Learning for Controller Parametrization using B-Spline Geometries [0.0]
  本研究は,N次元B-スプライン測地(BSG)を用いた深部強化学習(DRL)を用いた新しいアプローチを提案する。 本稿では,操作条件に依存する複雑な振る舞いを持つシステムのクラスであるパラメータ変量システムの制御に焦点をあてる。 多数の動作条件に依存するコントローラパラメータをマッピングするために,BSGを導入し,適応処理をより効率的にする。
  論文  参考訳（メタデータ） (2024-01-10T16:27:30Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• Towards Automatic Actor-Critic Solutions to Continuous Control [7.312692481631664]
  本稿では,アクター批判アルゴリズムを新しいドメインにチューニングする進化的アプローチを提案する。 私たちの設計は、サンプル効率が高く、ベースラインアプローチよりも実用的な利点を提供します。 次に、計算と研究の最小限の労力で高性能なソリューションを見つけるために、新しい制御タスクに適用する。
  論文  参考訳（メタデータ） (2021-06-16T16:18:20Z)

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。