論文の概要: AI-Driven Digital Twin Framework for Warehouse Logistics Automation Optimization

• arxiv url: http://arxiv.org/abs/2610.38101v1
• Date: Wed, 28 Oct 2026 00:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.9323
• Title: AI-Driven Digital Twin Framework for Warehouse Logistics Automation Optimization
• Title（参考訳）: ウェアハウスロジスティクス自動化のためのAI駆動型ディジタルツインフレームワーク
• Abstract要約: 本稿では、FlexSimベースのDigital Twin環境に統合された強化学習エージェントを用いて、リアルタイム製品配置最適化を行う新しいフレームワークを提案する。 提案するエージェントは,運用データのストリーミングから継続的に学習し,システム全体のスループットを向上しながら,ピック時間を短縮する。
• 参考スコア（独自算出の注目度）: 0.9188614858515055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, warehouse logistics optimization has increasingly focused on intelligent, data-driven systems to enhance operational efficiency. Conventional static product placement strategies are being progressively replaced by dynamic slotting approaches that can adapt to real-time variations in warehouse conditions. In this work, we present a novel framework that employs a reinforcement learning agent integrated within a FlexSim-based Digital Twin environment for real-time product placement optimization. The proposed agent continuously learns from streaming operational data, enabling it to reduce picking time while improving overall system throughput. The simulation environment models a four-zone warehouse layout with forklift-based material handling and leverages the Asset Administration Shell framework to ensure seamless interaction between the learning agent, physical asset, and the digital twin. Experimental evaluation demonstrates substantial performance gains, with the proposed approach achieving a 29.66\% reduction in average picking time, a 35.42\% increase in throughput, and an 18.54\% decrease in travel distance.
• Abstract（参考訳）: 近年、倉庫の物流最適化は、運用効率を高めるために、インテリジェントでデータ駆動のシステムに注目が集まっている。 従来の静的な製品配置戦略は、倉庫の状態のリアルタイムな変化に適応できる動的なスロットングアプローチに徐々に置き換えられている。 本研究では、FlexSimベースのDigital Twin環境に統合された強化学習エージェントを用いて、リアルタイム製品配置最適化を行う新しいフレームワークを提案する。 提案するエージェントは,運用データのストリーミングから継続的に学習し,システム全体のスループットを向上しながら,ピック時間を短縮する。 シミュレーション環境は、フォークリフトベースのマテリアルハンドリングを備えた4ゾーンの倉庫レイアウトをモデル化し、アセット管理シェルフレームワークを活用して、学習エージェント、物理資産、デジタルツイン間のシームレスな相互作用を保証する。 提案手法は, 平均ピッキング時間の29.66 %, スループットの35.42 %, 走行距離の18.54 %の削減を実現した。

関連論文リスト

• Integrated Optimization of Automated Warehouse Operations and Last-Mile Transport for Differentiated On-Demand Delivery [1.8262547855491453]
  本研究では,自動誘導車両(AGV)をベースとしたスマートウェアハウスオペレーションとラストマイルマルチモーダルトランスポートの統合最適化手法を提案する。 多目的共同スケジューリングのための深層強化学習アルゴリズムは、2つのシステム間の動的接続を確立するために設計されている。
  論文  参考訳（メタデータ） (2026-07-21T18:56:08Z)
• Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks [48.421359451414155]
  エッジクラウドとレイヤ間のロード不均衡は、レイテンシのパフォーマンスを低下させる。 動的タスク到着と異種リソースの下での階層型エッジクラウドコンピューティングシステム。 本稿では,サービス配置を最適化するための行動空間(2MDRL-LA)を用いた2時間深層学習研究を提案する。 平均e2e遅延を20.8%削減し、計画よりも13%改善した。
  論文  参考訳（メタデータ） (2026-06-30T11:56:15Z)
• A Comparative Study of Bayesian Contextual Bandits for Real-Time Warehouse Sorter Optimization [1.8807636852384417]
  本研究では,高量電子商取引倉庫におけるインバウンド受信ソーダを主なユースケースとして用いた。 このリアルタイムソータディバージョン最適化の課題に対処するため、我々は3つのハイブリッド機械学習フレームワークの比較研究を行った。 以上の結果から,木に基づく報酬モデルでは予測能力は若干向上するが,BCBフレームワークは全体のパフォーマンス向上を実現し,ベースラインに対する報酬の上昇率は2.03%であった。
  論文  参考訳（メタデータ） (2026-06-22T22:07:36Z)
• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• In-the-Flow Agentic System Optimization for Effective Planning and Tool Use [73.72524040856052]
  AgentFlowはトレーニング可能なインザフローエージェントフレームワークで、進化するメモリを通じて4つのモジュール(プランナ、実行子、検証子、ジェネレータ)をコーディネートする。 Flow-GRPOは、マルチターン最適化をトラクタブルな単一ターンポリシー更新のシーケンスに変換することで、長い水平、スパース・リワードのクレジット割り当てに取り組む。 エージェントフローは7Bスケールのバックボーンで、平均的精度が14.9%、エージェントが14.0%、数学が14.5%、科学的タスクが4.1%でトップパフォーマンスのベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-07T05:32:44Z)
• Reinforcement Learning for Autonomous Warehouse Orchestration in SAP Logistics Execution: Redefining Supply Chain Agility [0.0]
  本研究では,SAP Logistics Executionにおける倉庫作業の自律的オーケストレーションに強化学習を活用した先駆的フレームワークを提案する。 300,000 LEトランザクションの合成データセットは、マルチリンガルデータや運用上の障害を含む現実の倉庫シナリオをシミュレートする。 この分析は95%のタスク最適化精度を実現し、従来の手法に比べて処理時間を60%削減する。
  論文  参考訳（メタデータ） (2025-06-06T20:34:27Z)
• Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks [4.517879416915767]
  本稿では,ACOとディープラーニングモデルを組み合わせたハイブリッドフレームワークを活用した3次元倉庫環境のための新しいAGV経路計画手法を提案する。 NAHACOは経路計画の効率を大幅に向上させ、より高速な計算時間とバニラおよび最先端の手法よりも優れた性能を得る。 倉庫試験では、NAHACOはコストを41.5%まで削減し、渋滞を56.1%まで削減した。
  論文  参考訳（メタデータ） (2025-03-30T14:09:21Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Digital Twin Synchronization: Bridging the Sim-RL Agent to a Real-Time Robotic Additive Manufacturing Control [2.5709786140685633]
  この研究は、産業ロボット工学応用のためのソフトアクター・クライトとデジタルツインの統合を推進している。 システムアーキテクチャはUnityのシミュレーション環境とROS2を組み合わせて、シームレスなデジタル双対同期を実現する。 その結果、シミュレートされた環境と物理的環境の両方において、迅速な政策収束と堅牢なタスク実行が示された。
  論文  参考訳（メタデータ） (2025-01-29T22:06:53Z)
• FedDUAP: Federated Learning with Dynamic Update and Adaptive Pruning Using Shared Data on the Server [64.94942635929284]
  フェデレーテッド・ラーニング(FL)は2つの重要な課題、すなわち限られた計算資源と訓練効率の低下に悩まされている。 本稿では,サーバ上の不感なデータとエッジデバイスの分散データを利用する新しいFLフレームワークであるFedDUAPを提案する。 提案するFLモデルであるFedDUAPは,2つの元の手法を統合することで,精度(最大4.8%),効率(最大2.8倍),計算コスト(最大61.9%)において,ベースラインアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2022-04-25T10:00:00Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)

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。