論文の概要: iTrash: Incentivized Token Rewards for Automated Sorting and Handling

• arxiv url: http://arxiv.org/abs/2502.18161v1
• Date: Tue, 25 Feb 2025 12:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:21:10.034576
• Title: iTrash: Incentivized Token Rewards for Automated Sorting and Handling
• Title（参考訳）: iTrash:自動ソーティングとハンドリングのためのインセンティブ付きToken Rewards
• Authors: Pablo Ortega, Eduardo Castelló Ferrer,
• Abstract要約: 小オフィススペースのリサイクル率向上を目的としたインテリジェントゴミ箱iTrashを提案する。 そのため、5日間の実験を行い、iTrashは従来のゴミ箱と比べて30%以上の効率向上を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 1.2858324510499086
• License:
• Abstract: As robotic systems (RS) become more autonomous, they are becoming increasingly used in small spaces and offices to automate tasks such as cleaning, infrastructure maintenance, or resource management. In this paper, we propose iTrash, an intelligent trashcan that aims to improve recycling rates in small office spaces. For that, we ran a 5 day experiment and found that iTrash can produce an efficiency increase of more than 30% compared to traditional trashcans. The findings derived from this work, point to the fact that using iTrash not only increase recyclying rates, but also provides valuable data such as users behaviour or bin usage patterns, which cannot be taken from a normal trashcan. This information can be used to predict and optimize some tasks in these spaces. Finally, we explored the potential of using blockchain technology to create economic incentives for recycling, following a Save-as-you-Throw (SAYT) model.
• Abstract（参考訳）: ロボットシステム(RS)が自律化するにつれ、清掃やインフラ整備、資源管理といったタスクを自動化するために、小さなスペースやオフィスでの利用が増えている。 本稿では,小オフィス空間におけるリサイクル率の向上を目的としたインテリジェントゴミ箱iTrashを提案する。 そのため、5日間の実験を行い、iTrashは従来のゴミ箱と比べて30%以上の効率向上を達成できることがわかった。 この研究から得られた知見は、iTrashの使用がリサイクル率を増加させるだけでなく、通常のゴミ箱から取り出せないユーザ行動やビン使用パターンなどの貴重なデータも提供するという事実を指摘する。 この情報は、これらの空間におけるタスクの予測と最適化に使用できる。 最後に、Save-as-you-Throw(SAYT)モデルに従って、ブロックチェーン技術を使用してリサイクルの経済的インセンティブを生み出す可能性について検討した。

関連論文リスト

• Accelerating Exploration with Unlabeled Prior Data [66.43995032226466]
  我々は,報酬ラベルのない先行データを用いて,新たなスパース報酬タスクを解くエージェントの探索を指導し,加速する方法について検討する。 我々は、オンライン体験から報酬モデルを学び、ラベルのない事前データを楽観的な報酬でラベル付けし、ダウンストリームポリシーと批判最適化のためにオンラインデータと並行して使用する簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-09T00:05:17Z)
• 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)
• ConvoWaste: An Automatic Waste Segregation Machine Using Deep Learning [0.0]
  本稿では,ConvoWasteを用いたスマートオブジェクト検出アルゴリズムを用いて,廃棄物を異なる部位に分離する機械を提案する。 本稿では, 廃棄物を正確に分類するために, 深層学習と画像処理技術を適用した。 システム全体がAndroidアプリを介して遠隔操作され、切り離されたゴミを捨てる。
  論文  参考訳（メタデータ） (2023-02-06T18:08:33Z)
• Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
  トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。 共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
  論文  参考訳（メタデータ） (2022-10-24T18:39:44Z)
• A Smart Recycling Bin Using Waste Image Classification At The Edge [0.0]
  この研究は都市ごみを自動的に分離してリサイクル率を高める革新的なリサイクルビンを開発した。 我々は, 1800個の廃棄物画像を収集し, 既存の公開データセットと組み合わせて, 2つの組込みシステムの分類モデルを訓練した。 このモデルはJetson Nanoで95.98%、K210で96.64%の精度に達した。
  論文  参考訳（メタデータ） (2022-10-02T07:40:25Z)
• Path Planning of Cleaning Robot with Reinforcement Learning [2.1025073170341844]
  提案手法は,元のPPOに対するトレーニング性能の向上と収束速度の向上を実現する。 実験の結果,提案手法はトレーニング性能の向上とPPOの収束速度の向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T10:36:51Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• Optimization paper production through digitalization by developing an assistance system for machine operators including quality forecast: a concept [50.591267188664666]
  廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。 我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。 我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
  論文  参考訳（メタデータ） (2022-06-23T09:54:35Z)
• Towards artificially intelligent recycling Improving image processing for waste classification [0.0]
  IBMのWastenetプロジェクトは、廃棄物の分類に人工知能を用いてリサイクルを改善することを目的としている。 本稿では,移動学習とデータ拡張技術を用いて,このプロジェクトを基盤とする。 その結果、これらの拡張技術により、最終モデルのテスト精度は95.40%向上した。
  論文  参考訳（メタデータ） (2021-08-09T21:41:48Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet [0.0]
  誤った廃棄物処理を減らそうとする試みは、高価で不正確で混乱している。 我々は,高度に最適化されたディープラーニング技術を利用して,廃棄物をゴミ,リサイクル,コンポストに即時分類するモバイルアプリDeepWasteを提案する。 我々の最良のモデルは、50層からなるディープラーニング残留ニューラルネットワークであり、テストセットの平均精度は0.881である。
  論文  参考訳（メタデータ） (2021-01-15T04:06:25Z)

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。