論文の概要: Calibration-First Reward-Component Auditing for Reinforcement Learning Control in Smart Greenhouses

• arxiv url: http://arxiv.org/abs/2607.11959v1
• Date: Sun, 12 Jul 2026 07:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.896785
• Title: Calibration-First Reward-Component Auditing for Reinforcement Learning Control in Smart Greenhouses
• Title（参考訳）: スマート温室における強化学習制御のための校正初回逆成分監査
• Abstract要約: 温室強化学習は、作物実験だけでは達成が難しい速さとスケールで、気候制御のアイデアをテストすることができる。 しかし、スマート温室制御では、単一のシミュレーターリターンだけでは十分ではない。農家やコントロールエンジニアは、ポリシーがいつ加熱され、CO2を濃縮し、換気し、湿度を管理し、スクリーンを配置し、ランプを使用するかを知る必要がある。 シミュレーショントレーニング,施設適応型ロールアウト,ログ化された自律型温室チャレンジ記録,アクチュエータール蒸留に匹敵する温室制御報酬コンポーネントを再現可能なキャリブレーションファースト報酬監査フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.103008228953626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Greenhouse reinforcement learning can test climate-control ideas at a speed and scale that is difficult to achieve with crop experiments alone. For smart-greenhouse control, however, a single simulator return is not enough: a grower or control engineer also needs to know when the policy heats, enriches CO2, vents, manages humidity, deploys screens, or uses lamps.We propose a reproducible calibration-first reward audit framework that keeps named greenhouse-control reward components comparable across simulator training, facility-adapted rollouts, logged Autonomous Greenhouse Challenge records, and actuator-rule distillation. In GreenLight-Gym, the framework decomposes the scalar reward into conditional temperature, CO2, humidity and vapor-pressure-deficit, screen, and actuation-proxy terms; adapts GreenLight to the second Autonomous Greenhouse Challenge logged climate traces; and scores the same components on logged greenhouse data.
• Abstract（参考訳）: 温室強化学習は、作物実験だけでは達成が難しい速さとスケールで、気候制御のアイデアをテストすることができる。 しかし、スマート温室制御では、1つのシミュレーターリターンが十分ではない。農家やコントロールエンジニアは、ポリシーがいつCO2を加熱し、換気し、湿度を管理し、スクリーンを配置し、ランプを使用するかを知る必要がある。我々は、シミュレータートレーニング、施設適応ロールアウト、ログ化された自律温室チャレンジ記録、アクチュエータール蒸留に匹敵する、温室制御報酬コンポーネントの名前を維持する再現可能なキャリブレーションファースト報酬監査フレームワークを提案する。 GreenLight-Gymでは、このフレームワークはスカラー報酬を条件温度、CO2、湿度、蒸気圧欠陥、スクリーン、アクティベーションプロキシに分解し、グリーンライトを第2の自律温室チャレンジに適合させ、記録された温室データで同じコンポーネントをスコアする。

関連論文リスト

• ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control [19.871939624912073]
  ADAPTはHVAC制御のための物理学的条件付き屋内環境世界モデルである。 HVACのエネルギー消費を7.3%削減し、IID制御下にある最先端のベースラインと比較して、住民の不快感を30.2%削減する。
  論文  参考訳（メタデータ） (2026-08-20T08:58:28Z)
• Contextual Quality-Diversity Evolutionary Reinforcement Learning for HVAC Control in Tropical Commercial Buildings [0.0]
  本稿では,CQD-ERLの文脈的品質・多様性進化型強化学習コントローラを提案する。 この制御器はシンガポールの商業ビルの遅延負荷, 冷却-トウワーアプローチ, 湿度制約を表す2段階の低次環境を訓練する。
  論文  参考訳（メタデータ） (2026-08-11T18:16:59Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• Bringing GRACE to Recommendation: Fine-Tuning for Sustainable and Accurate Personalization [57.58261252242669]
  環境サステナビリティに関する懸念が高まり、グリーンの推奨システムは、よりエコフレンドリーで健康的な選択へとユーザーを導いてくれる。 多くの既存のグリーンレコメンデーションアプローチでは、スクラッチから新しいモデルをトレーニングする必要がある。 本稿では、アイテムレベルのサステナビリティ信号を事前訓練されたレコメンデーションモデルに統合する微調整フレームワークであるGRACE(Adaptive Conflict-rEsolution)を提案する。
  論文  参考訳（メタデータ） (2026-07-24T14:17:37Z)
• A Unified Python Framework for Direct PPO-based Control of AHUs with Economizer Logic and CO2-Constrained Ventilation [0.0]
  本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いたHVACシステムの最適化手法を提案する。 DRLシステムは、2次キャパシタの熱モデルとCO2の動的質量バランスを統合して、建物に関連する複雑な物理を再現する。 エンタルピーベースのエコノマイザは、屋外環境から自由に冷却するために使用される。
  論文  参考訳（メタデータ） (2026-05-23T05:31:09Z)
• Physicochemical-Neural Fusion for Semi-Closed-Circuit Respiratory Autonomy in Extreme Environments [0.0]
  ギャラクティックバイオウェアの生命維持システム(Galactic Bioware's Life Support System)は、正圧消火スーツに統合するために設計された呼吸装置である。 一方向排気弁は、ガス在庫を徐々に減少させる半閉鎖系を作成しながら、正圧を維持している。 第1部では、物理化学の基礎を、一つ目の原理から発展させ、これには、一貫した熱化学が含まれる。 パートIIでは、外部環境センサー、内部スーツ雰囲気センサーという3つのセンサー層を融合するAI制御アーキテクチャが導入されている。
  論文  参考訳（メタデータ） (2026-03-16T20:29:26Z)
• Explainable AI for Smart Greenhouse Control: Interpretability of Temporal Fusion Transformer in the Internet of Robotic Things [0.0]
  本研究では、TFTモデルを用いて、最適温室管理のためのアクチュエータ設定を自動化する。 モデル意思決定プロセスにおける解釈可能性と信頼を高めるために,局所的およびグローバル的説明手法が採用された。 トレーニングされたTFTモデルは、自動温室環境におけるアクチュエータ制御設定のためのクラス不均衡データセットで95%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-04T19:41:00Z)
• GreenLight-Gym: Reinforcement learning benchmark environment for control of greenhouse production systems [0.0]
  GreenLight-Gymは、温室作物生産管理における強化学習手法を開発するための、高速でオープンソースのベンチマーク環境である。 CasADiフレームワークを活用して、効率的な数値統合を実現する。 モジュール化されたPython環境ラッパーは、コントロールタスクとRLベースのコントローラの柔軟な構成を可能にする。
  論文  参考訳（メタデータ） (2024-10-06T18:25:23Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Autonomous Payload Thermal Control [55.2480439325792]
  小さな衛星では、熱制御装置、科学機器、電子部品のスペースは少ない。 深部強化学習を用いた自律型熱制御ツールを提案する。 提案するフレームワークは,運用範囲の温度を維持するためにペイロード処理能力の制御を学べる。
  論文  参考訳（メタデータ） (2023-07-28T09:40:19Z)
• Data-driven control of micro-climate in buildings: an event-triggered reinforcement learning approach [56.22460188003505]
  半マルコフ決定過程に基づく微小気候制御問題を定式化する。 建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。 スマートなサーモスタットを設計することで,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-01-28T18:20:43Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。