論文の概要: Rapid AI-based generation of coverage paths for dispensing applications

• arxiv url: http://arxiv.org/abs/2505.03560v1
• Date: Tue, 06 May 2025 14:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.417065
• Title: Rapid AI-based generation of coverage paths for dispensing applications
• Title（参考訳）: 素早いAIによる配電用カバレッジパスの生成
• Authors: Simon Baeuerle, Ian F. Mendonca, Kristof Van Laerhoven, Ralf Mikut, Andreas Steimer,
• Abstract要約: 本稿では,熱インターフェース材料に対するディスペンサーパスを生成するための,新しいAIベースのアプローチを提案する。 人工ニューラルネットワーク(ANN)は、目標冷却領域を入力として受信し、ディスペンサーパスを直接出力する。 リアルタイムに望ましいターゲット状態のプロセスパラメータを予測するためにANNを使用するアプローチは、他の製造プロセスに転送される可能性がある。
• 参考スコア（独自算出の注目度）: 5.89223672709312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coverage Path Planning of Thermal Interface Materials (TIM) plays a crucial role in the design of power electronics and electronic control units. Up to now, this is done manually by experts or by using optimization approaches with a high computational effort. We propose a novel AI-based approach to generate dispense paths for TIM and similar dispensing applications. It is a drop-in replacement for optimization-based approaches. An Artificial Neural Network (ANN) receives the target cooling area as input and directly outputs the dispense path. Our proposed setup does not require labels and we show its feasibility on multiple target areas. The resulting dispense paths can be directly transferred to automated manufacturing equipment and do not exhibit air entrapments. The approach of using an ANN to predict process parameters for a desired target state in real-time could potentially be transferred to other manufacturing processes.
• Abstract（参考訳）: サーマルインタフェース材料(TIM)のカバーパス計画は,パワーエレクトロニクスや電子制御ユニットの設計において重要な役割を担っている。 これまでのところ、これは専門家や高い計算労力で最適化アプローチを使って手作業で行われている。 我々は,TIMや同様のディスペンサーアプリケーションのためのディスペンサーパスを生成する,新しいAIベースのアプローチを提案する。 これは最適化ベースのアプローチをドロップインで置き換えるものだ。 人工ニューラルネットワーク(ANN)は、目標冷却領域を入力として受信し、ディスペンサーパスを直接出力する。 提案手法ではラベルを必要とせず,複数のターゲット領域でその実現可能性を示す。 その結果、供給経路は、直接、自動製造装置に転送することができ、空気の侵入を示さない。 リアルタイムに望ましいターゲット状態のプロセスパラメータを予測するためにANNを使用するアプローチは、他の製造プロセスに転送される可能性がある。

関連論文リスト

• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Control and Automation for Industrial Production Storage Zone: Generation of Optimal Route Using Image Processing [49.1574468325115]
  本稿では,DIPを用いた生産ラインモデルのゾーンに対する産業自動化手法の開発に焦点をあてる。 新カスケード法は、それぞれの段階を適切な方法で定義し、関連する手法を開発に含めることを可能にした。 システムはOpenCVライブラリをベースとしており、Java言語に基づいたオブジェクト指向プログラミング(OOP)プラットフォーム上に実装された人工視覚に焦点を当てたツールである。
  論文  参考訳（メタデータ） (2024-03-15T06:50:19Z)
• An Energy-Aware Approach to Design Self-Adaptive AI-based Applications on the Edge [42.462246527457594]
  我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。 本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。 その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
  論文  参考訳（メタデータ） (2023-08-31T09:33:44Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• 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)
• Multi-step Planning for Automated Hyperparameter Optimization with OptFormer [29.358188163138173]
  私たちは最近提案されたOpsFormerモデルに基づいて、ロールアウトによるプランニングをシンプルかつ効率的にします。 我々は、OptFormerモデル上で多段階計画を行うための様々な戦略を広範囲に探索し、非筋電図HPO戦略の構築におけるその可能性を強調する。
  論文  参考訳（メタデータ） (2022-10-10T19:07:59Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。