論文の概要: Multi-Mode Process Control Using Multi-Task Inverse Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.21026v1
• Date: Tue, 27 May 2025 11:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.595035
• Title: Multi-Mode Process Control Using Multi-Task Inverse Reinforcement Learning
• Title（参考訳）: マルチタスク逆強化学習を用いたマルチモードプロセス制御
• Authors: Runze Lin, Junghui Chen, Biao Huang, Lei Xie, Hongye Su,
• Abstract要約: 本稿では,データ駆動型マルチモード制御設計のための逆強化学習(IRL)とマルチタスク学習を統合した新しいフレームワークを提案する。 連続発泡タンクリアクターとフィードバッチバイオリアクターのケーススタディは、適応可能なマルチモードデータとトレーニングコントローラを扱う上で、このフレームワークの有効性を検証する。
• 参考スコア（独自算出の注目度）: 11.820381529066475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of Industry 4.0 and smart manufacturing, process systems engineering must adapt to digital transformation. While reinforcement learning offers a model-free approach to process control, its applications are limited by the dependence on accurate digital twins and well-designed reward functions. To address these limitations, this paper introduces a novel framework that integrates inverse reinforcement learning (IRL) with multi-task learning for data-driven, multi-mode control design. Using historical closed-loop data as expert demonstrations, IRL extracts optimal reward functions and control policies. A latent-context variable is incorporated to distinguish modes, enabling the training of mode-specific controllers. Case studies on a continuous stirred tank reactor and a fed-batch bioreactor validate the effectiveness of this framework in handling multi-mode data and training adaptable controllers.
• Abstract（参考訳）: 産業 4.0 とスマートマニュファクチャリングの時代には、プロセスシステム工学はデジタルトランスフォーメーションに適応しなければならない。 強化学習は、プロセス制御に対するモデルなしのアプローチを提供するが、その応用は、正確なデジタル双対とよく設計された報酬関数への依存によって制限される。 本稿では,データ駆動型マルチモード制御設計のための逆強化学習(IRL)とマルチタスク学習を統合した新しいフレームワークを提案する。 歴史的閉ループデータを専門家によるデモンストレーションとして利用し、IRLは最適な報酬関数と制御ポリシーを抽出する。 モードを区別するために潜在コンテキスト変数が組み込まれており、モード固有のコントローラのトレーニングを可能にする。 連続発泡タンクリアクターとフィードバッチバイオリアクターのケーススタディでは、マルチモードデータ処理と適応可能な制御装置の訓練において、このフレームワークの有効性が検証された。

関連論文リスト

• Continual Multimodal Contrastive Learning [70.60542106731813]
  マルチモーダル・コントラッシブ・ラーニング(MCL)は、異なるモーダルを整列させ、関節空間で多モーダル表現を生成する。 マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。 本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。 理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
  論文  参考訳（メタデータ） (2025-03-19T07:57:08Z)
• LLMs Can Evolve Continually on Modality for X-Modal Reasoning [62.2874638875554]
  既存の手法は、モーダル固有の事前訓練とジョイント・モーダルチューニングに大きく依存しており、新しいモーダルへと拡張する際の計算上の負担が大きくなった。 PathWeaveは、Modal-Path sWitchingとExpAnsion機能を備えた柔軟でスケーラブルなフレームワークである。 PathWeaveは最先端のMLLMと互換性があり、パラメータトレーニングの負担を98.73%削減する。
  論文  参考訳（メタデータ） (2024-10-26T13:19:57Z)
• M$^{2}$M: Learning controllable Multi of experts and multi-scale operators are the Partial Differential Equations need [43.534771810528305]
  本稿では,PDEを効率的にシミュレートし,学習するためのマルチスケール・マルチエキスパート(M$2$M)ニューラル演算子のフレームワークを提案する。 我々は、動的ルータポリシーのために、マルチエキスパートゲートネットワークをトレーニングするために、分断方式を採用する。 提案手法は,専門家の選択権を決定する制御可能な事前ゲーティング機構を組み込んで,モデルの効率を向上させる。
  論文  参考訳（メタデータ） (2024-10-01T15:42:09Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Meta-Reinforcement Learning for Adaptive Control of Second Order Systems [3.131740922192114]
  プロセス制御では、多くのシステムは類似しており、よく理解されているダイナミクスを持ち、メタ学習を通じて一般化可能なコントローラを作成することは可能であることを示唆している。 本稿では,メタ強化学習(meta-RL)制御戦略を定式化し,モデル構造などのトレーニングにおいて,既知のオフライン情報を活用する。 重要な設計要素は、トレーニング中にモデルベースの情報をオフラインで利用し、新しい環境と対話するためのモデルフリーのポリシー構造を維持することである。
  論文  参考訳（メタデータ） (2022-09-19T18:51:33Z)
• A stabilizing reinforcement learning approach for sampled systems with partially unknown models [0.0]
  純粋オンライン学習環境におけるシステム制御器閉ループの実用的安定性を保証する手法を提案する。 要求された結果を達成するため、我々は古典的な適応制御技術を採用する。 この方法は適応的なトラクション制御とクルーズ制御でテストされ、コストを大幅に削減することが判明した。
  論文  参考訳（メタデータ） (2022-08-31T09:20:14Z)
• Low-level Pose Control of Tilting Multirotor for Wall Perching Tasks Using Reinforcement Learning [2.5903488573278284]
  実世界の応用において,傾き型マルチロータを制御するための新しい強化学習手法を提案する。 提案手法は,傾斜マルチロータの複雑な力学を克服し,頑健な制御性を示す。
  論文  参考訳（メタデータ） (2021-08-11T21:39:51Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)

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。