論文の概要: Agent-Based Modeling and Deep Neural Networks for Establishing Digital Twins of Secure Facilities under Sensing Restrictions

• arxiv url: http://arxiv.org/abs/2503.23147v1
• Date: Sat, 29 Mar 2025 17:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:21.973532
• Title: Agent-Based Modeling and Deep Neural Networks for Establishing Digital Twins of Secure Facilities under Sensing Restrictions
• Title（参考訳）: エージェント・ベース・モデリングと深部ニューラルネットワークによる監視制約下での安全施設のディジタル双対構築
• Authors: Chathika Gunaratne, Mason Stott, Debraj De, Gautam Malviya Thakur, Chris Young,
• Abstract要約: デジタルツイン技術は、シリコにおける望ましくない結果をシミュレートし、監視し、予測するのに役立つ。 バーチャルリアリティー(VR)ベースのデジタルツイン技術は、セキュアな核施設で人間のパターン・オブ・ライフ(POL)を監視する際に特に有用である。 このような施設の高セキュリティ状態は、モデラーがデータ収集のための人間の活動センサーを配置することを制限する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Digital twin technologies help practitioners simulate, monitor, and predict undesirable outcomes in-silico, while avoiding the cost and risks of conducting live simulation exercises. Virtual reality (VR) based digital twin technologies are especially useful when monitoring human Patterns of Life (POL) in secure nuclear facilities, where live simulation exercises are too dangerous and costly to ever perform. However, the high-security status of such facilities may restrict modelers from deploying human activity sensors for data collection. This problem was encountered when deploying MetaPOL, a digital twin system to prevent insider threat or sabotage of secure facilities, at a secure nuclear reactor facility at Oak Ridge National Laboratory (ORNL). This challenge was addressed using an agent-based model (ABM), driven by anecdotal evidence of facility personnel POL, to generate synthetic movement trajectories. These synthetic trajectories were then used to train deep neural network surrogates for next location and stay duration prediction to drive NPCs in the VR environment. In this study, we evaluate the efficacy of this technique for establishing NPC movement within MetaPOL and the ability to distinguish NPC movement during normal operations from that during a simulated emergency response. Our results demonstrate the success of using a multi-layer perceptron for next location prediction and mixture density network for stay duration prediction to predict the ABM generated trajectories. We also find that NPC movement in the VR environment driven by the deep neural networks under normal operations remain significantly different to that seen when simulating responses to a simulated emergency scenario.
• Abstract（参考訳）: デジタルツイン技術は、実践者がシリコで望ましくない結果をシミュレートし、監視し、予測するのに役立つ。 バーチャルリアリティー(VR)ベースのデジタルツイン技術は、安全な核施設で人間のPatterns of Life(POL)を監視する際に特に有用である。 しかし、そのような施設の高セキュリティ状態は、モデリング者がデータ収集のために人間の活動センサーを配置することを制限する可能性がある。 この問題は、オークリッジ国立研究所(Oak Ridge National Laboratory, ORNL)の安全な原子炉施設で、内部の脅威や安全な施設の破壊を防ぐためのデジタルツインシステムであるMetaPOLの展開時に発生した。 この課題は、施設職員POLの逸話的証拠によって引き起こされたエージェントベースモデル(ABM)を用いて、合成運動軌跡を生成することで解決された。 これらの合成軌道は、次の位置のためのディープニューラルネットワークサロゲートのトレーニングと、VR環境でNPCを駆動するための持続時間予測に使用される。 本研究では,MetaPOL内におけるNPC運動の確立における本手法の有効性と,模擬緊急時と正常手術時のNPC運動の識別能力について検討した。 実験の結果,マルチ層パーセプトロンを次の位置予測に使用し,混合密度ネットワークを滞留時間予測に利用し,ABM生成軌道の予測に成功した。 また、通常の操作下でのディープニューラルネットワークによって駆動されるVR環境におけるNPCの動きは、シミュレーションされた緊急シナリオに対する応答をシミュレートする場合とは大きく異なる。

関連論文リスト

• Accurate AI-Driven Emergency Vehicle Location Tracking in Healthcare ITS Digital Twin [3.906021256484084]
  本研究では、構築されたモックDTデータパイプラインフレームワークにAI予測モデル、具体的にはSVR(Support Vector Regression)とDeep Neural Networks(DNN)を統合することを提案する。 様々なテストシナリオを通じて、HITSのDTにおける観察されたギャップを著しく減らす上での方法論の有効性と重要な役割を視覚的に実証する。
  論文  参考訳（メタデータ） (2025-02-05T17:32:07Z)
• Virtual Sensing-Enabled Digital Twin Framework for Real-Time Monitoring of Nuclear Systems Leveraging Deep Neural Operators [0.36651088217486427]
  本稿では,デジタルツインフレームワークのコアコンポーネントとしてDeepOperator Networks (DeepONet) を導入する。 DeepONetは動的でスケーラブルな仮想センサとして機能し、操作された入力パラメータと空間的に分散されたシステムの振る舞いの間の相互作用を正確にマッピングする。 この結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来のCFDシミュレーションの1400倍の精度で未知データの予測を行うことができた。
  論文  参考訳（メタデータ） (2024-10-17T16:56:04Z)
• A Neuromorphic Approach to Obstacle Avoidance in Robot Manipulation [16.696524554516294]
  カメラ搭載マニピュレータにおける障害物回避のためのニューロモルフィックアプローチを開発する。 提案手法は, 畳み込みSNNでエミュレートされたイベントデータを処理し, 反応操作による高次軌道計画に適応する。 本研究は,SNN学習の導入,ニューロモルフィックプロセッサの利用,およびニューロモルフィック手法の可能性を探るものである。
  論文  参考訳（メタデータ） (2024-04-08T20:42:10Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• AC-VRNN: Attentive Conditional-VRNN for Multi-Future Trajectory Prediction [30.61190086847564]
  条件付き変動リカレントニューラルネットワーク(C-VRNN)に基づくマルチフューチャ軌道予測のための生成アーキテクチャを提案する。 ヒューマンインタラクションは、繰り返し推定のオンライン注意深い隠れ状態改善を可能にするグラフベースのアテンションメカニズムでモデル化される。
  論文  参考訳（メタデータ） (2020-05-17T17:21:23Z)

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。