論文の概要: CIRO7.2: A Material Network with Circularity of -7.2 and Reinforcement-Learning-Controlled Robotic Disassembler
- arxiv url: http://arxiv.org/abs/2506.11748v1
- Date: Fri, 13 Jun 2025 13:01:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.795599
- Title: CIRO7.2: A Material Network with Circularity of -7.2 and Reinforcement-Learning-Controlled Robotic Disassembler
- Title（参考訳）: CIRO7.2: -7.2の円周性を持つ材料ネットワークと強化学習型ロボット分解器
- Authors: Federico Zocco, Monica Malvezzi,
- Abstract要約: 本研究では, 臨界係数0.1および0.95の2つの固形材料のバッチを処理する熱力学材料ネットワークを開発した。
次に、最先端のRLアルゴリズムを用いてロボット分解器コンパートメントの設計とアルゴリズム性能の評価に焦点をあてる。
最も高い円度は1kgの2つの部分を分解した場合-2.1であり、また1kgの4つの部分を分解する場合は7.2に減少する。
- 参考スコア（独自算出の注目度）: 4.400112070344701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The competition over natural reserves of minerals is expected to increase in part because of the linear-economy paradigm based on take-make-dispose. Simultaneously, the linear economy considers end-of-use products as waste rather than as a resource, which results in large volumes of waste whose management remains an unsolved problem. Since a transition to a circular economy can mitigate these open issues, in this paper we begin by enhancing the notion of circularity based on compartmental dynamical thermodynamics, namely, $\lambda$, and then, we model a thermodynamical material network processing a batch of 2 solid materials of criticality coefficients of 0.1 and 0.95, with a robotic disassembler compartment controlled via reinforcement learning (RL), and processing 2-7 kg of materials. Subsequently, we focused on the design of the robotic disassembler compartment using state-of-the-art RL algorithms and assessing the algorithm performance with respect to $\lambda$ (Fig. 1). The highest circularity is -2.1 achieved in the case of disassembling 2 parts of 1 kg each, whereas it reduces to -7.2 in the case of disassembling 4 parts of 1 kg each contained inside a chassis of 3 kg. Finally, a sensitivity analysis highlighted that the impact on $\lambda$ of the performance of an RL controller has a positive correlation with the quantity and the criticality of the materials to be disassembled. This work also gives the principles of the emerging research fields indicated as circular intelligence and robotics (CIRO). Source code is publicly available.
- Abstract（参考訳）: 鉱物の天然資源をめぐる競争は、一部はテイク・メイク・ディスポーションに基づくリニア・エコノミーのパラダイムによって増加すると期待されている。
同時に、線形経済は、エンド・オブ・ユース製品は資源ではなく、無駄であるとみなし、経営が未解決の課題である大量の廃棄物を生み出す。
循環経済への移行はこれらの開放的な問題を緩和できるため,本論文では, 分割力学に基づく循環の概念,すなわち$\lambda$, 次に, 強化学習 (RL) により制御されるロボット分解器コンパートメントを用いて, 臨界係数0.1および0.95の2つの固形材料からなるバッチを熱力学ネットワークで処理し, 2-7kgの材料を処理し, 熱力学ネットワークをモデル化することから始める。
その後、最先端のRLアルゴリズムを用いたロボット分解器コンパートメントの設計と、$\lambda$(図1)に関するアルゴリズム性能の評価に焦点をあてた。
最も高い円度は1kgの2つの部分を分解した場合-2.1であり、また1kgの4つの部分を分解する場合は7.2に減少する。
最後に、RLコントローラの性能が$\lambda$に与える影響は、分解対象材料の量と臨界度と正の相関を持つことを示した。
この研究は、円形の知性とロボティクス(CIRO)として表される新しい研究分野の原理も与えている。
ソースコードは公開されている。
関連論文リスト
- CiRL: Open-Source Environments for Reinforcement Learning in Circular Economy and Net Zero [4.062511856086843]
固体および流体材料の両方の円度に着目した環境ライブラリであるCiRLを紹介する。
新しいCE指向環境は状態空間であり、通常は動的システム分析と制御設計で使用される。
論文 参考訳（メタデータ） (2025-05-24T08:26:14Z) - Equilibrium Conserving Neural Operators for Super-Resolution Learning [2.062348453578637]
固体力学問題における超解像学習のためのフレームワークを提案する。
我々のアプローチでは、低解像度のデータのみを使用して高解像度のニューラルネットワークをトレーニングすることができる。
予測されたソリューションの保存法則を強く強制する,このECOベースの超解法フレームワークを評価する。
論文 参考訳（メタデータ） (2025-04-18T02:47:53Z) - Explainable AI-aided Feature Selection and Model Reduction for DRL-based V2X Resource Allocation [18.49800990388549]
人工知能(AI)は,第6世代(6G)ネットワークにおいて,無線リソース管理(RRM)を大幅に強化することが期待されている。
複雑なディープラーニング(DL)モデルにおける説明可能性の欠如は、実践的な実装に課題をもたらす。
本稿では,特徴選択とモデル複雑性低減のための新しいAI(XAI)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-23T10:55:38Z) - DI-MaskDINO: A Joint Object Detection and Instance Segmentation Model [67.56918651825056]
MaskDinoの開始変圧器デコーダ層から中間結果を調べる際に, 物体検出遅延がインスタンスセグメンテーションの遅れ(すなわち, 性能不均衡)の原因となる。
本稿では,DI-MaskDINOモデルを提案する。その中核となる考え方は,検出・セグメンテーションの不均衡を緩和し,最終的な性能を改善することである。
DI-MaskDINOはCOCOとBDD100Kベンチマークで既存のジョイントオブジェクト検出とインスタンスセグメンテーションモデルを上回っている。
論文 参考訳（メタデータ） (2024-10-22T05:22:49Z) - Efficient Materials Informatics between Rockets and Electrons [0.0]
この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。
原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。
結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
論文 参考訳（メタデータ） (2024-07-05T17:03:26Z) - Towards Robust Model-Based Reinforcement Learning Against Adversarial Corruption [60.958746600254884]
本研究は、モデルベース強化学習(RL)における敵対的腐敗の課題に取り組む。
本稿では,MLE に対する不確実性重みとして全変量 (TV) に基づく情報比を利用する,汚損楽観的 MLE (CR-OMLE) アルゴリズムを提案する。
我々は、重み付け手法をオフライン設定にまで拡張し、汚損性悲観的MLE (CR-PMLE) というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T07:27:30Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Collaborative Optimization of Multi-microgrids System with Shared Energy
Storage Based on Multi-agent Stochastic Game and Reinforcement Learning [8.511196076836592]
提案されたMMGシステムフレームワークは、メイングリッドのエネルギー変動を24時間で1746.5kW削減し、テストで16.21%のコスト削減を実現する。
提案アルゴリズムの高速収束速度と優れた最適化性能により,提案アルゴリズムの優位性を検証した。
論文 参考訳（メタデータ） (2023-06-19T07:55:41Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。