論文の概要: Phase-Aware Guidance Injection for Recurrent MAPPO in Assembly-Line Disruption Recovery

• arxiv url: http://arxiv.org/abs/2606.16330v1
• Date: Mon, 15 Jun 2026 07:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.038043
• Title: Phase-Aware Guidance Injection for Recurrent MAPPO in Assembly-Line Disruption Recovery
• Title（参考訳）: 組立線破壊回復における繰り返しMAPPOのための位相アウェア誘導
• Authors: Xin Huang, Yongcai Wang, Fengyi Zhang, Zhikun Tao, Yunjun Han, Naiqi Wu,
• Abstract要約: 産業用組立ラインの破壊的復旧には、機械故障、労働者の不在、緊急命令によるタイムリーな決定が必要である。 本稿では、訓練された反復MAPPO(RMAPPO)スケジューリングポリシーを強化する位相認識型ガイダンスインジェクションフレームワークを提案する。 このフレームワークはルールベース、リプレイベース、オンラインLLMベースのガイダンスのための統合された意思決定時インターフェースを提供する。
• 参考スコア（独自算出の注目度）: 22.4593030412974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disruption recovery in industrial assembly lines requires timely decisions under machine faults, worker absence, and emergency orders. Existing methods either rely on rigid handcrafted recovery logic or learn adaptive policies that do not readily exploit heterogeneous external recovery knowledge at decision time to reduce abnormal recovery time (ART) and preserve on-time delivery (OTD). To address this gap, we propose a phase-aware guidance injection framework that augments a trained recurrent MAPPO (RMAPPO) scheduling policy through logit-level action bias during evaluation. The framework provides a unified decision-time interface for rule-based, replay-based, and online LLM-based guidance, while activating intervention only during abnormal and recovery phases. Experiments on a custom AssemblyLineEnv show that high-quality rule guidance yields the strongest gains, replay-based guidance degrades smoothly under imperfect availability, and online LLM guidance still provides useful intermediate improvements. These results show that decision-time guidance injection can exploit heterogeneous recovery hints without redesigning the actor.
• Abstract（参考訳）: 産業用組立ラインの破壊的復旧には、機械故障、労働者の不在、緊急命令によるタイムリーな決定が必要である。 既存の方法は、厳密な手作りリカバリ論理に依存するか、不均一な外部リカバリ知識を意思決定時に容易に活用できない適応ポリシーを学習することで、異常リカバリ時間(ART)を短縮し、オンタイムデリバリ(OTD)を維持する。 このギャップに対処するために、評価中のロジトレベルの行動バイアスを通じて、訓練された反復MAPPO(RMAPPO)スケジューリングポリシーを増強する位相認識型ガイダンスインジェクションフレームワークを提案する。 このフレームワークはルールベース、リプレイベース、オンラインLLMベースのガイダンスのための統合された意思決定時インターフェースを提供する。 カスタムの AssemblyLineEnv の実験では、高品質なルールガイダンスが最大の利益をもたらし、リプレイベースのガイダンスは不完全な可用性の下でスムーズに低下し、オンライン LLM ガイダンスは依然として有効な中間改善を提供している。 これらの結果から, アクターを再設計することなく, 不均一なリカバリヒントを活用できることが示唆された。

関連論文リスト

• Robustness Verification of Recurrent Neural Networks with Abstraction Refinement [0.0]
  本稿では,この区間を分割して支配的緩和誤差を除去するRNN検証のための抽象化・リファインメントフレームワークを提案する。 CIFAR10とMNISTストロークベンチマークの実験では、抽象のみのベースラインよりも検証成功と堅牢性に一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-06-10T11:30:37Z)
• One-Way Policy Optimization for Self-Evolving LLMs [63.8638342097375]
  RLVR(Reinforcement Learning with Verifiable Rewards)は,Large Language Models(LLMs)の推論能力を拡張するための,有望なパラダイムとなっている。 本稿では,最適化方向を更新等級から切り離す手法である1-Way Policy Optimization (OWPO)を提案する。 実験の結果,OWPOはDAPO,OPD,MOPDなどの強いベースラインより優れていた。
  論文  参考訳（メタデータ） (2026-05-21T08:25:27Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• A Training-Free Regeneration Paradigm: Contrastive Reflection Memory Guided Self-Verification and Self-Improvement [8.401193963526236]
  オフライン処理型コントラストリフレクションメモリ(RM)を利用したトレーニングフリー再生パラダイムを提案する。 推論時に、RM誘導の自己検証を行い、続いて単一のRM誘導の再生を行い、反復補正とマルチサンプル選択の両方を避ける。 実験の結果,提案手法は計算コストを低く抑えつつ,先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-20T19:12:36Z)
• WS-GRPO: Weakly-Supervised Group-Relative Policy Optimization for Rollout-Efficient Reasoning [67.45237332694025]
  グループ相対政策最適化は、複雑な推論に基づいて言語モデルを訓練するのに効果的である。 Weakly Supervised GRPOを提案し、端末報酬を正当性を考慮したガイダンスに変換することにより、ロールアウト効率を向上させる。
  論文  参考訳（メタデータ） (2026-02-19T02:43:35Z)
• The hidden risks of temporal resampling in clinical reinforcement learning [0.0]
  実運用において,時間的再サンプリングはオフライン強化学習アルゴリズムの性能を著しく低下させることを示す。 本稿では,この障害を誘発するメカニズムとして,反現実軌道の生成,時間的期待の歪み,一般化誤差の複合化の3つを提案する。
  論文  参考訳（メタデータ） (2026-02-06T11:02:06Z)
• Double Check My Desired Return: Transformer with Target Alignment for Offline Reinforcement Learning [64.6334337560557]
  教師付き学習(RvS)による強化学習は、シーケンスモデリングタスクとしてオフラインRLをフレーム化する。 決定変換器(DT)は、実際の完了したリターンを特定のターゲットリターンと確実に整合させるのに苦労する。 そこで我々は,Offline RLの目標アライメントによる変換器の二重チェックを行う新しいアプローチであるDoctorを提案する。
  論文  参考訳（メタデータ） (2025-08-22T14:30:53Z)

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。