論文の概要: Automotive Engineering-Centric Agentic AI Workflow Framework
- arxiv url: http://arxiv.org/abs/2604.07784v1
- Date: Thu, 09 Apr 2026 04:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.690913
- Title: Automotive Engineering-Centric Agentic AI Workflow Framework
- Title（参考訳）: 自動車工学-エージェントAIワークフローフレームワーク
- Authors: Tong Duy Son, Zhihao Liu, Piero Brigida, Yerlan Akhmetov, Gurudevan Devarajan, Kai Liu, Ajinkya Bhave,
- Abstract要約: 本稿では,工学を制約付き,履歴対応のシーケンシャルな意思決定プロセスとしてモデル化する産業ビジョンフレームワークであるAgenic Engineering Intelligence(AEI)について述べる。
AEIは、エンジニアリングデータ処理とワークフローメモリ構築のためのオフラインフェーズと、ワークフロー状態の推定、検索、決定サポートのためのオンラインフェーズをリンクする。
- 参考スコア（独自算出の注目度）: 8.940446431523911
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Engineering workflows such as design optimization, simulation-based diagnosis, control tuning, and model-based systems engineering (MBSE) are iterative, constraint-driven, and shaped by prior decisions. Yet many AI methods still treat these activities as isolated tasks rather than as parts of a broader workflow. This paper presents Agentic Engineering Intelligence (AEI), an industrial vision framework that models engineering workflows as constrained, history-aware sequential decision processes in which AI agents support engineer-supervised interventions over engineering toolchains. AEI links an offline phase for engineering data processing and workflow-memory construction with an online phase for workflow-state estimation, retrieval, and decision support. A control-theoretic interpretation is also possible, in which engineering objectives act as reference signals, agents act as workflow controllers, and toolchains provide feedback for intervention selection. Representative automotive use cases in suspension design, reinforcement learning tuning, multimodal engineering knowledge reuse, aerodynamic exploration, and MBSE show how diverse workflows can be expressed within a common formulation. Overall, the paper positions engineering AI as a problem of process-level intelligence and outlines a practical roadmap for future empirical validation in industrial settings.
- Abstract（参考訳）: 設計最適化、シミュレーションベースの診断、制御チューニング、モデルベースのシステムエンジニアリング(MBSE)といったエンジニアリングワークフローは、反復的で制約駆動であり、事前決定によって形作られています。
しかし、多くのAIメソッドは、これらのアクティビティをより広範なワークフローの一部としてではなく、独立したタスクとして扱う。
本稿では,AIエージェントがエンジニアリングツールチェーン上でエンジニアが監督する介入を支援する,制約付きかつ履歴対応のシーケンシャルな意思決定プロセスとして,エンジニアリングワークフローをモデル化する産業ビジョンフレームワークであるAgentic Engineering Intelligence(AEI)を提案する。
AEIは、エンジニアリングデータ処理とワークフローメモリ構築のためのオフラインフェーズと、ワークフロー状態の推定、検索、決定サポートのためのオンラインフェーズをリンクする。
制御理論の解釈も可能で、エンジニアリング目的が参照信号として機能し、エージェントがワークフローコントローラとして機能し、ツールチェーンが介入選択のためのフィードバックを提供する。
サスペンション設計、強化学習チューニング、マルチモーダルエンジニアリング知識の再利用、空力探査、MBSEにおける代表的な自動車用ユースケースは、共通の定式化の中でどのように多様なワークフローを表現できるかを示している。
全体として、この論文は、エンジニアリングAIをプロセスレベルのインテリジェンスの問題と位置づけ、産業環境における将来の実証的検証のための実践的なロードマップを概説している。
関連論文リスト
- DUCTILE: Agentic LLM Orchestration of Engineering Analysis in Product Development Practice [41.99844472131922]
製品開発におけるエンジニアリング分析の自動化は、ツール、データフォーマット、ドキュメントプロセス間の厳密なインターフェースに依存しています。
本稿では DUCTILE (Delegated, User-supervised Coordination of Tool- and document-Integrated LLM-Enabled) エージェントオーケストレーションについて述べる。
エージェントは、文書化された設計プラクティスを解釈し、入力データを検査し、処理パスを適応し、エンジニアは最終判断を監督し、実行する。
論文 参考訳（メタデータ） (2026-03-10T22:00:47Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - A Practical Guide for Designing, Developing, and Deploying Production-Grade Agentic AI Workflows [4.3073750462661256]
Agentic AIは、自律システムがマルチステップタスクを推論、計画、実行する方法において大きな変化を示す。
本稿では、生産品質の高いエージェントAIシステムを設計、開発、展開するための実用的でエンドツーエンドのガイドを提供する。
論文 参考訳（メタデータ） (2025-12-09T16:23:05Z) - An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。
このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。
完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
論文 参考訳（メタデータ） (2025-04-20T16:57:45Z) - AI Agents in Engineering Design: A Multi-Agent Framework for Aesthetic and Aerodynamic Car Design [24.258618104493532]
本稿では,工学的応用,特に自動車設計プロセスに焦点をあてた「設計エージェント」の概念を紹介する。
私たちのフレームワークは、AI駆動設計エージェントを従来のエンジニアリングワークフローに統合し、創造性を高め、効率を高め、全体的な設計サイクルを大幅に加速します。
論文 参考訳（メタデータ） (2025-03-30T04:57:17Z) - The impact of AI on engineering design procedures for dynamical systems [4.222932496304428]
本稿では,VDIガイドライン2206のVモデルを用いて,AIをエンジニアリング設計プロセスに統合する可能性を検討する。
エンジニアリング製品設計ワークフロー内の特定のステージに対する適合性に基づいて、AIメソッドを特定し、分類する。
著者らによってAI支援設計がうまく実装された一連のアプリケーション例を示す。
論文 参考訳（メタデータ） (2024-12-16T14:26:27Z) - The Foundations of Computational Management: A Systematic Approach to
Task Automation for the Integration of Artificial Intelligence into Existing
Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。
この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文 参考訳（メタデータ） (2024-02-07T01:45:14Z) - ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
LLM(Large Language Models)は、人間のような知性を持つ言語である。
本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。
そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
論文 参考訳（メタデータ） (2023-11-02T14:32:16Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z)
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。