論文の概要: A Recommendation System-Based Framework for Enhancing Human-Machine Collaboration in Industrial Timetabling Rescheduling: Application in Preventive Maintenance

• arxiv url: http://arxiv.org/abs/2601.06029v1
• Date: Tue, 04 Nov 2025 09:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.56453
• Title: A Recommendation System-Based Framework for Enhancing Human-Machine Collaboration in Industrial Timetabling Rescheduling: Application in Preventive Maintenance
• Title（参考訳）: 産業タイムタブル・リスケジュールにおける人・機械協調の促進のための勧告システムに基づくフレームワーク:予防的メンテナンスへの応用
• Authors: Kévin Ducharlet, Liwen Zhang, Sara Maqrot, Houssem Saidi,
• Abstract要約: 本稿では,強力なAI駆動型計画エンジンであるTimefold上に構築された,スケジューリングの課題に対処するシステムベースのフレームワークを提案する。 本研究は,現実世界の予防的メンテナンスのユースケースに触発された9つの事例を実験的に評価した。 簡単なユースケースを通じて、レコメンデーションシステムの完全なプロセスを説明します。
• 参考スコア（独自算出の注目度）: 6.767654843171108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial timetabling is a critical task for decision-makers across various sectors to ensure efficient system operation. In real-world settings, it remains challenging because unexpected events often disrupt execution. When such events arise, effective rescheduling and collaboration between humans and machines becomes essential. This paper presents a recommendation system-based framework for handling rescheduling challenges, built on Timefold, a powerful AI-driven planning engine. Our experimental study evaluates nine instances inspired by a realworld preventive maintenance use case, aiming to identify the heuristic that best balances solution quality and computing time to support near-optimal decisionmaking when rescheduling is required due to unexpected events during operational days. Finally, we illustrate the complete process of our recommendation system through a simple use case.
• Abstract（参考訳）: 産業のタイムタブルは、効率的なシステム運用を保証するために、様々な分野の意思決定者にとって重要な課題である。 現実の環境では、予期せぬイベントが実行を混乱させるため、依然として困難である。 このような事態が起こると、人間と機械の効果的な再スケジュールと協調が不可欠となる。 本稿では,強力なAI駆動型計画エンジンであるTimefold上に構築された,スケジューリングの課題に対処するシステムベースのフレームワークを提案する。 本研究は, 実世界の予防的メンテナンスユースケースに触発された9つの事例を評価し, 運用期間中の予期せぬ出来事により再スケジュールが要求される場合, 解の質と計算時間を最適にバランスし, ほぼ最適な意思決定を支援することを目的とした。 最後に、簡単なユースケースを通して、レコメンデーションシステムの完全なプロセスを説明します。

関連論文リスト

• Reconstruction-Based Adaptive Scheduling Using AI Inferences in Safety-Critical Systems [0.0]
  本稿では,スケジュールの動的検証とアセンブルを目的とした新しい再構築フレームワークを提案する。 堅牢な安全性チェック、効率的なアロケーションアルゴリズム、予期しないコンテキストイベントを処理するリカバリメカニズムが組み込まれている。 提案するフレームワークは,システム適応性,運用上の整合性,実行時のパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2025-09-24T19:38:43Z)
• Control-Optimized Deep Reinforcement Learning for Artificially Intelligent Autonomous Systems [8.766411351797885]
  深層強化学習(DRL)は、機械学習とAIにおいて、複雑な意思決定のための強力なツールとなっている。 従来の手法では、エージェントが選択したアクションと実際のシステム応答の間の不確実性や逸脱を見越して、完璧なアクション実行を仮定することが多い。 この作業は、アクション実行ミスマッチを明示的にモデル化し補償する、制御最適化DRLフレームワークを開発することで、AIを前進させる。
  論文  参考訳（メタデータ） (2025-06-30T21:25:52Z)
• STAR: A Foundation Model-driven Framework for Robust Task Planning and Failure Recovery in Robotic Systems [5.426894918217948]
  STAR(Smart Task Adaptation and Recovery)は、ファンデーションモデル(FM)と動的に拡張された知識グラフ(KG)を相乗化する新しいフレームワークである。 FMは目覚ましい一般化と文脈推論を提供するが、その制限は信頼性を損なう。 その結果,STARは86%のタスク計画精度と78%のリカバリ成功率を示し,ベースライン法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2025-03-08T05:05:21Z)
• Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
  本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。 従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
  論文  参考訳（メタデータ） (2025-03-04T03:27:02Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Constant-time Motion Planning with Anytime Refinement for Manipulation [17.543746580669662]
  本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。 提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。 任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
  論文  参考訳（メタデータ） (2023-11-01T20:40:10Z)
• 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)
• Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning [73.19312285906891]
  フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。 近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。 本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T01:35:48Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)

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。