論文の概要: Autonomous Model Lifecycle Management for Digital Twin-Based Manufacturing Control

• arxiv url: http://arxiv.org/abs/2609.22701v1
• Date: Sat, 19 Sep 2026 02:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.522301
• Title: Autonomous Model Lifecycle Management for Digital Twin-Based Manufacturing Control
• Title（参考訳）: ディジタルツイン製造制御のための自律モデルライフサイクル管理
• Abstract要約: 本稿では,自動車製造における自律型モデルライフサイクル管理のための閉ループサイバー物理システムを提案する。 このシステムは、デジタル双生児として機能するシーケンス・ツー・シーケンス物理モデル(LPP)と、それに対して訓練された深層強化学習(LCP)制御ポリシー(LCP)である。 複数の施設にまたがって、LCPが制御するプロセスは、安全事故ゼロの制御されていないベースラインよりも28-45%のプロセス安定性の向上を実現している。
• 参考スコア（独自算出の注目度）: 3.918339511514516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manufacturing AI systems must autonomously adapt to continuous distributional shift from raw-material variability, ambient changes, and equipment aging, under strict safeguard and operator-trust requirements where model failures risk physical damage. This paper presents a closed-loop Cyber-Physical System (CPS) for autonomous model lifecycle management in automotive manufacturing, deployed since 2023. The system manages product-specialized model pairs: a sequence-to-sequence physics model (LPP) serving as a digital twin, and a deep Reinforcement Learning (RL) control policy (LCP) trained against it. Per retraining cycle, multiple model variants spanning architecture families and RL algorithms compete; only the best-scoring candidate advances. A Conductor orchestrator autonomously manages plant-wide model inventories with dependency-aware retraining and Proportional-Integral-Derivative (PID) fallback. Reflecting the principle of Human-Centric Intelligence, the LCP composite score embeds an operator-trust gate penalizing policies deviating from established practice; without it, 23% of policies are rejected by operators despite passing accuracy thresholds. Across multiple facilities, LCP-controlled processes achieve process stability improvements of 28-45% over uncontrolled baselines with zero safety incidents.
• Abstract（参考訳）: 生産AIシステムは、モデル失敗が物理的損傷を危険にさらすような厳格な安全とオペレーター信頼要件の下で、原材料変動、環境変化、機器の老朽化から連続的な分散シフトに自律的に適応する必要がある。 本稿では2023年以降の自動車製造における自律型モデルライフサイクル管理のための閉ループサイバー物理システム(CPS)を提案する。 このシステムは、デジタル双生児として機能するシーケンス・ツー・シーケンス物理モデル(LPP)と、それに対して訓練された深層強化学習(LCP)制御ポリシー(LCP)である。 リトレーニングサイクル毎に、アーキテクチャファミリとRLアルゴリズムにまたがる複数のモデル変種が競合する。 コンダクタオーケストレータは、依存性を意識した再トレーニングとPIDフォールバックによって、植物全体のモデル在庫を自律的に管理する。 ヒューマン・センター・インテリジェンス(Human-Centric Intelligence)の原則を反映して、LCP合成スコアは、確立された慣行から逸脱したオペレータ・トラストゲートのペナライズポリシーを組み込んでいる。 複数の施設にまたがって、LCPが制御するプロセスは、安全事故ゼロの制御されていないベースラインよりも28-45%のプロセス安定性の向上を実現している。

関連論文リスト

• PPO-EAL: Exact Augmented Lagrangian Proximal Policy Optimization for Safe Robotic Control [8.882504398064087]
  PPO-EALは、新しい一階制約付きポリシー最適化フレームワークである。 高度に強化されたラグランジアン最適化を、安全なロボット制御のためのポリシー最適化に統合する。 致命的な大きなペナルティ要因を必要とせず、理論的に根拠づけられた制約執行を達成する。
  論文  参考訳（メタデータ） (2026-06-26T08:59:38Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• ContractionPPO: Certified Reinforcement Learning via Differentiable Contraction Layers [5.690649768462432]
  本稿では,手足ロボットのロバストな計画と制御のためのフレームワークであるContractionPPOを提案する。 収縮PPOは、模擬閉ループ系の指数的安定性を証明する収縮計量を生成する。 四足歩行におけるハードウェア実験により,強い外乱下であっても,ContractionPPOは頑健で安定な制御を可能にすることが示された。
  論文  参考訳（メタデータ） (2026-03-20T04:32:18Z)
• Efficiently Learning Robust Torque-based Locomotion Through Reinforcement with Model-Based Supervision [14.246416873754905]
  モデルに基づく二足歩行と残留強化学習を統合した制御フレームワークを提案する。 提案手法は, ランダム化条件におけるロバスト性の向上と一般化を実証する。
  論文  参考訳（メタデータ） (2026-01-22T16:56:52Z)
• Human-in-the-loop Online Rejection Sampling for Robotic Manipulation [55.99788088622936]
  Hi-ORSは、オンライン微調整中に負の報酬を得たサンプルをフィルタリングすることで、値推定を安定化する。 Hi-ORSは、わずか1.5時間でコンタクトリッチな操作をマスターするためのpiベースのポリシーを微調整する。
  論文  参考訳（メタデータ） (2025-10-30T11:53:08Z)
• BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping [69.74252624161652]
  適応クリッピング(BAPO)を用いたBAlanced Policy Optimizationを提案する。 BAPOはクリッピングバウンダリを動的に調整し、適応的に正と負のコントリビューションを再バランスさせ、エントロピーを保持し、RL最適化を安定化させる。 AIME 2024とAIME 2025ベンチマークでは、7B BAPOモデルがSkyWork-OR1-7Bのようなオープンソースモデルを上回っています。
  論文  参考訳（メタデータ） (2025-10-21T12:55:04Z)
• Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
  強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。 物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
  論文  参考訳（メタデータ） (2025-04-23T12:58:15Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Training and Evaluation of Deep Policies using Reinforcement Learning and Generative Models [67.78935378952146]
  GenRLはシーケンシャルな意思決定問題を解決するためのフレームワークである。 強化学習と潜在変数生成モデルの組み合わせを利用する。 最終方針訓練の性能に最も影響を与える生成モデルの特徴を実験的に決定する。
  論文  参考訳（メタデータ） (2022-04-18T22:02:32Z)
• Modular Transfer Learning with Transition Mismatch Compensation for Excessive Disturbance Rejection [29.01654847752415]
  本研究では,水中ロボットの過剰な外乱拒絶に対する制御ポリシーに適応する移動学習フレームワークを提案する。 共通制御ポリシ(GCP)とオンライン外乱識別モデル(ODI)からなる学習ポリシーのモジュラーネットワークを適用した。
  論文  参考訳（メタデータ） (2020-07-29T07:44:38Z)

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。