論文の概要: Safe and Near-Optimal Gate Control: A Case Study from the Danish West Coast

• arxiv url: http://arxiv.org/abs/2604.04545v1
• Date: Mon, 06 Apr 2026 09:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.157294
• Title: Safe and Near-Optimal Gate Control: A Case Study from the Danish West Coast
• Title（参考訳）: 安全とほぼ最適ゲート制御:デンマーク西岸を事例として
• Authors: Martin Kristjansen, Kim Guldstrand Larsen, Marius Mikučionis, Christian Schilling,
• Abstract要約: リンコエビング・フィヨルド (Ringkoebing Fjord) は、デンマークの北海から分離した内陸の流域である。 人間のオペレーターは、フィヨルドの水位を制御するために、いつ、どのくらいのゲートが開くかを決めます。 我々は、デジタルツインと、海面と風速の予測を併用して、オンライン方式でゲートコントローラを学習する。
• 参考スコア（独自算出の注目度）: 4.11040996037715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ringkoebing Fjord is an inland water basin on the Danish west coast separated from the North Sea by a set of gates used to control the amount of water entering and leaving the fjord. Currently, human operators decide when and how many gates to open or close for controlling the fjord's water level, with the goal to satisfy a range of conflicting safety and performance requirements such as keeping the water level in a target range, allowing maritime traffic, and enabling fish migration. Uppaal Stratego. We then use this digital twin along with forecasts of the sea level and the wind speed to learn a gate controller in an online fashion. We evaluate the learned controllers under different sea-level scenarios, representing normal tidal behavior, high waters, and low waters. Our evaluation demonstrates that, unlike a baseline controller, the learned controllers satisfy the safety requirements, while performing similarly regarding the other requirements.
• Abstract（参考訳）: リンコエビング・フィヨルド(英語: Ringkoebing Fjord)は、デンマークの北海から隔てられた内陸の流域で、フィヨルドに注ぐ水量を制御するための門である。 現在、人間のオペレーターは、フィヨルドの水位を制御するために、いつ、どのくらいのゲートを開閉するかを決めており、水位を目標範囲に維持し、海上交通を許可し、魚の移動を可能にするなど、相反する安全と性能の要求を満たすことを目標としている。 Uppaal Stratego 次に、このデジタルツインと、海面と風速の予測を併用して、オンラインでゲートコントローラを学習します。 本研究では,通常の潮位挙動,高水位,低水位を表わす,異なる海面シナリオ下で学習した制御器の評価を行った。 本評価は, ベースラインコントローラとは違って, 学習したコントローラが安全要件を満たす一方で, 他の要件についても同様の動作を行うことを示す。

関連論文リスト

• A Rapid GeoSAM-Based Workflow for Multi-Temporal Glacier Delineation: Case Study from Svalbard [51.56484100374058]
  我々は,Sentinel-2画像からの氷河の高速デライン化のためのGeoSAMに基づく半自動ワークフローを提案する。 その結果, 本手法は, 主要な氷河体に対して, 空間的に一貫性があり, 時間的に一貫した輪郭を生じさせることが示唆された。 導出RGB画像への依存により、他の光学データセットに柔軟で転送可能である。
  論文  参考訳（メタデータ） (2025-12-28T09:42:01Z)
• DUViN: Diffusion-Based Underwater Visual Navigation via Knowledge-Transferred Depth Features [47.88998580611257]
  本研究では,知識伝達深度特性を用いた拡散型水中ビジュアルナビゲーションポリシーDUViNを提案する。 DuViNは、事前に構築された地図に頼ることなく、障害物を回避し、地形に対して安全かつ認識の高い高度を維持するよう車両を誘導する。 シミュレーションおよび実世界の水中環境における実験は、我々のアプローチの有効性と一般化を実証している。
  論文  参考訳（メタデータ） (2025-09-03T03:43:12Z)
• FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation [0.0]
  洪水は、ダム、門、ポンプ、貯水池などの水圧構造で極端な気象現象の前に、戦略的に水を放出することで緩和または防止することができる。 地域水管理機関が使用する標準的なアプローチは「ルールベース」手法であり、歴史的およびタイムテストされた人間の経験に基づいて、所定のプレリリース水を指定する。 本研究では,正確な水事前リリースによる高速かつ最適な洪水管理を実現するための予測インフォームド深層学習アーキテクチャ (FIDLAR) を提案する。
  論文  参考訳（メタデータ） (2024-02-20T20:53:04Z)
• 2-Level Reinforcement Learning for Ships on Inland Waterways: Path Planning and Following [0.0]
  本稿では、深部強化学習(DRL)に基づく内陸水路(IW)における自動表面車両(ASV)の制御のための現実的なモジュール化フレームワークを提案する。 高レベルローカルパス計画(LPP)ユニットと低レベルパス追従(PF)ユニットの2つのレベルから構成され、それぞれDRLエージェントで構成されている。
  論文  参考訳（メタデータ） (2023-07-25T08:42:59Z)
• Identification of stormwater control strategies and their associated uncertainties using Bayesian Optimization [0.0]
  本稿では,ベイズ最適化に基づく地下水制御戦略の同定とそれに伴う不確実性を推定する手法を提案する。 本研究では,実環境における実環境における実効性制御戦略の同定における本手法の有効性について検討した。 我々の知る限り、これは特定された制御行動に関連する不確かさを定量化する初めての防潮法である。
  論文  参考訳（メタデータ） (2023-05-29T21:41:35Z)
• Robust Path Following on Rivers Using Bootstrapped Reinforcement Learning [0.0]
  本稿では,内陸海域における自律型表面容器(ASV)の航行制御のための深層強化学習(DRL)エージェントを開発した。 最先端のブートストラップ付きQ-ラーニングアルゴリズムと多用途のトレーニング環境ジェネレータを組み合わせることで、堅牢で正確な舵制御を実現する。
  論文  参考訳（メタデータ） (2023-03-24T07:21:27Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)

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。