論文の概要: Operationally Guided Placement-Aware Learning for Industrial Online 3D Bin Packing

• arxiv url: http://arxiv.org/abs/2607.28257v1
• Date: Thu, 30 Jul 2026 14:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.588487
• Title: Operationally Guided Placement-Aware Learning for Industrial Online 3D Bin Packing
• Title（参考訳）: 産業用オンライン3Dビンパッケージの運用指導型配置認識学習
• Abstract要約: OPALは、産業用オンライン3D-BPPのための運用ガイド付き配置認識学習フレームワークである。 OPALは平均空間利用率0.49で、運用上の指導を受けた候補生成から15.1%、学習されたランキングから6.3%の改善がある。
• 参考スコア（独自算出の注目度）: 2.3322477552758234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The online three-dimensional bin packing problem (3D-BPP) is a longstanding challenge in logistics and industrial palletizing. Recent learning-based methods use a learned policy to select among feasible candidate placements. Performance depends on the candidate generator and representation, especially in industrial settings where packings must be space-efficient, stable, compact, and balanced. However, prior work has mainly optimized the policy, while candidate generation and representation remain largely geometry-driven. We address this gap with OPAL, an operationally guided placement-aware learning framework for industrial online 3D-BPP which combines an Operationally Guided Empty-Maximal-Space generator (OG-EMS), an operational representation for each candidate placement, and a masked ranking policy trained with proximal policy optimization. OG-EMS evaluates multiple anchors within each free-space region and prioritizes low, well-supported, compact, and spatially diverse placements. An xLSTM-based Placement Encoder models dependencies among geometric and operational candidate attributes, while a lightweight recurrent core combines the resulting embeddings with the current item and pallet state to rank feasible actions. On the BED-BPP benchmark, OPAL achieves a mean space utilization of 0.49, with improvements of 15.1% from operationally guided candidate generation and 6.3% from learned ranking, while maintaining robust inference-time performance.
• Abstract（参考訳）: オンライン3次元ビンパッキング問題(3D-BPP)は、ロジスティクスと工業用パレット化における長年にわたる課題である。 近年の学習ベース手法は、学習ポリシーを用いて、実現可能な候補の配置を選択する。 性能は、特にパッキングが空間効率、安定、コンパクト、バランスの取れた産業環境では、候補ジェネレータと表現に依存する。 しかし、以前の研究は主にポリシーを最適化しているが、候補の生成と表現は幾何駆動のままである。 我々は,オペレーショナルガイド型Empty-Maximal-Space Generator (OG-EMS) と,各候補配置の運用表現,および近似ポリシー最適化で訓練されたマスク付きランキングポリシを組み合わせた,産業用オンライン3D-BPPの運用ガイド型配置対応学習フレームワークであるOPALとのギャップに対処する。 OG-EMSは各自由空間領域内の複数のアンカーを評価し、低い、よく支持された、コンパクトで、空間的に多様な配置を優先する。 xLSTMベースのPlacement Encoderは、幾何学的および運用上の候補属性間の依存関係をモデル化する一方、軽量なリカレントコアは、結果の埋め込みと現在のアイテムとパレット状態を組み合わせて、実行可能なアクションをランク付けする。 BED-BPPベンチマークでは、OPALは平均空間利用率0.49を達成し、運用指導による候補生成から15.1%、学習されたランキングから6.3%改善し、堅牢な推論時間性能を維持した。

関連論文リスト

• HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
  HMACEは異種多言語協調進化フレームワークである。 それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。 冗長な評価を避けながら、多様で有望な行動への探索を導く。
  論文  参考訳（メタデータ） (2026-05-08T04:02:28Z)
• Preference-Conditioned Reinforcement Learning for Space-Time Efficient Online 3D Bin Packing [21.573486686003903]
  ロボット・ビン・パッキングは倉庫の自動化に広く利用されている。 現在のシステムは、コンパクトな配置と迅速な実行のバランスをとり、代替品を選択したり、再配置したりすることで、空間利用を改善することができるが、追加の時間を導入することができる。 このトレードオフを明示的に理由づけた選択に基づく定式化を提案する。 これは、パッキング密度を損なうことなく、運用時間の44%削減を実現する。
  論文  参考訳（メタデータ） (2026-03-08T20:55:15Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• GENPACK: KPI-Guided Multi-Objective Genetic Algorithm for Industrial 3D Bin Packing [3.0204520109309843]
  3次元ビンパッキング問題(3D-BPP)は、運用研究とロジスティクスにおける長年にわたる課題である。 本稿では,産業用3D-BPPのためのパイプラインを提案し,重要な性能指標を直接多目的フィットネス機能に統合する。 実世界の1500のBED-BPPベンチマークでは、Hybrid-GAパイプラインが常に最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2026-01-16T14:19:03Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• OptiScene: LLM-driven Indoor Scene Layout Generation via Scaled Human-aligned Data Synthesis and Multi-Stage Preference Optimization [54.60030826635478]
  既存の屋内レイアウト生成手法は、プロンプト駆動と学習に基づく2つのカテゴリに分類される。 本稿では,大規模データセットである3D-SynthPlaceについて紹介する。 屋内レイアウト生成に最適化された強力なオープンソースLLMであるOptiSceneを紹介する。
  論文  参考訳（メタデータ） (2025-06-09T09:13:06Z)
• SortingEnv: An Extendable RL-Environment for an Industrial Sorting Process [0.0]
  本稿では,産業的な選別システムを最適化し,進化空間におけるエージェントの挙動を研究することを目的とした,新しい強化学習(RL)環境を提案する。 選別プロセス内で物質の流れをシミュレートする際、我々の環境は、ベルト速度や占有レベルといった操作パラメータを持つデジタルツインのアイデアに従います。 これには、離散ベルトの速度調整に焦点を当てた基本バージョンと、複数のソートモードを導入した先進バージョンと、強化された材料組成観察という2つのバリエーションが含まれる。
  論文  参考訳（メタデータ） (2025-03-13T15:38:25Z)
• Control and Automation for Industrial Production Storage Zone: Generation of Optimal Route Using Image Processing [49.1574468325115]
  本稿では,DIPを用いた生産ラインモデルのゾーンに対する産業自動化手法の開発に焦点をあてる。 新カスケード法は、それぞれの段階を適切な方法で定義し、関連する手法を開発に含めることを可能にした。 システムはOpenCVライブラリをベースとしており、Java言語に基づいたオブジェクト指向プログラミング(OOP)プラットフォーム上に実装された人工視覚に焦点を当てたツールである。
  論文  参考訳（メタデータ） (2024-03-15T06:50:19Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)

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。