論文の概要: Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2510.10694v1
• Date: Sun, 12 Oct 2025 16:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.070784
• Title: Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるディジタルツイン対応多世代制御協調設計
• Authors: Ying-Kuan Tsai, Vispi Karkaria, Yi-Ping Chen, Wei Chen,
• Abstract要約: Control Co-Design (CCD)は、物理的および制御システム設計を統合し、動的および自律的なシステムの性能を改善する。 本稿では,Deep Reinforcement Learning(DRL)を統合したDT対応CCDフレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 8.45003507603975
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Control Co-Design (CCD) integrates physical and control system design to improve the performance of dynamic and autonomous systems. Despite advances in uncertainty-aware CCD methods, real-world uncertainties remain highly unpredictable. Multi-generation design addresses this challenge by considering the full lifecycle of a product: data collected from each generation informs the design of subsequent generations, enabling progressive improvements in robustness and efficiency. Digital Twin (DT) technology further strengthens this paradigm by creating virtual representations that evolve over the lifecycle through real-time sensing, model updating, and adaptive re-optimization. This paper presents a DT-enabled CCD framework that integrates Deep Reinforcement Learning (DRL) to jointly optimize physical design and controller. DRL accelerates real-time decision-making by allowing controllers to continuously learn from data and adapt to uncertain environments. Extending this approach, the framework employs a multi-generation paradigm, where each cycle of deployment, operation, and redesign uses collected data to refine DT models, improve uncertainty quantification through quantile regression, and inform next-generation designs of both physical components and controllers. The framework is demonstrated on an active suspension system, where DT-enabled learning from road conditions and driving behaviors yields smoother and more stable control trajectories. Results show that the method significantly enhances dynamic performance, robustness, and efficiency. Contributions of this work include: (1) extending CCD into a lifecycle-oriented multi-generation framework, (2) leveraging DTs for continuous model updating and informed design, and (3) employing DRL to accelerate adaptive real-time decision-making.
• Abstract（参考訳）: Control Co-Design (CCD)は、物理的および制御システム設計を統合し、動的および自律的なシステムの性能を改善する。 不確実性を認識したCCD手法の進歩にもかかわらず、現実的な不確実性は非常に予測できないままである。 多世代設計は、製品のライフサイクル全体を考慮し、この課題に対処する:各世代から収集されたデータは、その後の世代の設計を知らせ、堅牢性と効率の進歩的な改善を可能にする。 デジタルツイン(DT)技術は、リアルタイムセンシング、モデル更新、適応的な再最適化を通じてライフサイクルを通して進化する仮想表現を作成することで、このパラダイムをさらに強化する。 本稿では,Deep Reinforcement Learning(DRL)を統合したDT対応CCDフレームワークについて述べる。 DRLは、コントローラがデータから継続的に学び、不確実な環境に適応できるようにすることで、リアルタイムな意思決定を加速する。 このアプローチを拡張して、このフレームワークは、デプロイ、運用、再設計の各サイクルが収集したデータを使用してDTモデルを洗練し、量子レグレッションによる不確実性定量化を改善し、物理コンポーネントとコントローラの両方の次世代設計を通知する、多世代パラダイムを採用している。 このフレームワークは、DT対応の道路環境学習と運転行動学習により、よりスムーズで安定した制御軌道が得られるアクティブサスペンションシステムで実証されている。 その結果,本手法は動的性能,ロバスト性,効率性を著しく向上させることがわかった。 本研究の貢献は,(1)CCDをライフサイクル指向の多世代フレームワークに拡張すること,(2)継続的モデル更新と情報設計にDTを活用すること,(3)適応的なリアルタイム意思決定を促進するためにDRLを活用すること,などである。

関連論文リスト

• Generative AI-Aided QoE Maximization for RIS-Assisted Digital Twin Interaction [6.54922175613871]
  本研究では、再構成可能なインテリジェントサーフェス(RIS)支援ディジタルツイン(DT)と不確実な進化との相互作用に対するQoE(Quality of Experience)-awareリソース割り当て問題について検討する。 我々のゴールは、様々なDTシーンにおけるDTインタラクションにおける全モバイルユーザの主観的および客観的QoEの総和を最大化することである。 我々は、ゼロ強制最適化(PG-ZFO)と統合されたプロンプト誘導決定変換器と呼ばれる新しいGAI支援手法を提案する。
  論文  参考訳（メタデータ） (2025-05-15T02:00:29Z)
• KDC-Diff: A Latent-Aware Diffusion Model with Knowledge Retention for Memory-Efficient Image Generation [2.0250638970950905]
  KDC-Diffは、ハイパフォーマンスを維持しながら計算オーバーヘッドを大幅に削減するために設計された、新しくスケーラブルな生成フレームワークである。 本モデルでは,FID,CLIP,KID,LPIPSの指標に対して,パラメータ数,推論時間,FLOPの大幅な削減を実現し,高い性能を示す。
  論文  参考訳（メタデータ） (2025-05-11T14:40:51Z)
• DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework [0.43127334486935653]
  デジタルツイン(DT)技術は、物理システムのリアルタイムシミュレーション、予測、最適化を可能にする。 この記事では、動的データ駆動型アプリケーションシステムパラダイムに基づく動的データ駆動型ディジタルツインフレームワークであるDDD-GenDTを紹介します。 生成AIを活用することにより、DDD-GenDTは、広範な履歴データセットへの依存を低減し、データスカース設定でのDT構築を可能にする。
  論文  参考訳（メタデータ） (2024-12-28T01:13:30Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Constructing and Evaluating Digital Twins: An Intelligent Framework for DT Development [11.40908718824589]
  デジタルツインズ(DT)の開発は、制御されたデジタル空間における複雑なシステムをシミュレートし最適化するための変革的な進歩を表している。 本稿では,アルゴリズム性能試験におけるDTの精度と有用性を高めるために,DTの構築と評価のためのインテリジェントなフレームワークを提案する。 本稿では,Deep Learning-based policy gradient techniqueを統合してDTパラメータを動的に調整し,物理システムのデジタル複製における高い忠実性を確保する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T01:45:18Z)
• 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)
• Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
  絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。 ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。 本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
  論文  参考訳（メタデータ） (2022-07-19T09:21:21Z)
• Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
  デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。 本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。 提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
  論文  参考訳（メタデータ） (2022-04-10T23:25:37Z)

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。