論文の概要: From PID to Reinforcement Learning in Building HVAC Control: A Control-Architecture Review of Tuning Strategies, Formulations, and Deployment Trade-offs

• arxiv url: http://arxiv.org/abs/2611.03152v1
• Date: Mon, 02 Nov 2026 13:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:00:33.555896
• Title: From PID to Reinforcement Learning in Building HVAC Control: A Control-Architecture Review of Tuning Strategies, Formulations, and Deployment Trade-offs
• Title（参考訳）: PIDから強化学習へ:調整戦略、定式化、展開トレードオフの制御構造レビュー
• Abstract要約: 本稿では, ビルの暖房, 換気, 空調システムの制御アーキテクチャについてレビューする。 エネルギー需要の緊張、乗員の快適さと機器の操作性、PID規制の厳格化に対処する。 サーモスタット-PID層を,比例,PI,PIDの制御と調整を通じて2位置およびスケジュールされたセットポイント制御から検討し,マルコフ決定過程として構築制御のためのRLを定式化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper reviews control architectures for building heating, ventilation and air-conditioning (HVAC) systems, addressing the tension among energy demand, occupant comfort and equipment operability, and situating proportional-integral-derivative (PID) regulation within a layered control stack that also includes rule-based and model-based supervisory control and data-driven reinforcement learning (RL). It examines the thermostat-PID layer from two-position and scheduled setpoint control through proportional, PI and PID regulation and their tuning, then formulates RL for building control as a Markov decision process. Its central contribution is a taxonomy of where RL meets PID: RL as a gain tuner for an existing loop, as a direct replacement for the regulatory controller, as a hybrid with model predictive control, and as supervisory setpoint and schedule generation. Across these classes, the review establishes that the physical loop remains invariant while the intervention point changes, and that the classes differ in their requirements for actuation authority, state information, modelling, commissioning and constraint handling. It further establishes that PID is inexpensive and well codified but limited by nonlinearity, time variation, discrete mode switching, loop interaction and slow plant dynamics, while RL's admissible position must be argued rather than assumed. The paper concludes that these architectures are not competing philosophies of control but nested points of attachment on one HVAC plant, with hybrid implementations possible, and that deployment trade-offs must be assessed according to the specific control interface and scaffolding required.
• Abstract（参考訳）: 本稿では, 熱・換気・空調(HVAC)システムの構築, エネルギー需要間の緊張, 乗員の快適さ・設備操作性, およびルールベースおよびモデルベース監視制御とデータ駆動強化学習(RL)を含む階層制御スタック内での比例積分微分(PID)制御の確立について検討する。 サーモスタット-PID層を,比例,PI,PIDの制御と調整を通じて2位置およびスケジュールされたセットポイント制御から検討し,マルコフ決定過程として構築制御のためのRLを定式化する。 RLは、既存のループの利得チューナーとして、規制コントローラの直接置換として、モデル予測制御のハイブリッドとして、そして監督セットポイントとスケジュール生成として、RLがPIDに適合する分類である。 これらのクラス全体では、介入点が変化している間に物理的なループは不変のままであり、クラスはアクティベーション・オーソリティ、状態情報、モデリング、コミッショニング、制約処理の要件が異なることを確認している。 さらに、PIDは安価で十分にコード化されているが、非線形性、時間変動、離散モード切替、ループ相互作用、遅い植物力学によって制限されていることを証明している。 本稿は、これらのアーキテクチャは制御の哲学と競合するものではなく、一方のHVACプラントの付着点をネストしたものであり、ハイブリッド実装が可能であり、特定の制御インターフェースと足場に応じてデプロイメントのトレードオフを評価する必要があると結論付けている。

関連論文リスト

• Real-Time Disturbance-Aware Koopman Model Predictive Control for Quadrotors in Spatially Varying Winds [43.13758000077063]
  オンライン適応は、外乱誘発モデルミスマッチの増加に伴い、多段階予測と軌道追跡を改善する。 均一風下でのナノクワッドロータのハードウェア実験は、乱れによるモデルミスマッチの増加に伴い、オンライン適応が多段階予測と軌道追跡を改善することを示した。
  論文  参考訳（メタデータ） (2026-10-20T00:09:22Z)
• Generalizing HVAC Control With Domain Randomized Reinforcement Learning [6.460844680543445]
  NOMAD-RL(NomaD-RL)は、異種熱圏間を移動するための汎用強化学習(RL)コントローラである。 我々の主な貢献は、物理インフォームド正規化フローに基づく適応的領域ランダム化スキームである。 我々はNOMAD-RLを固定セットポイントコントローラ、ドメインランダム化なしRL、シングルゾーンおよびマルチゾーン設定でのMPCと比較した。
  論文  参考訳（メタデータ） (2026-09-05T02:36:28Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Making Tunable Parameters State-Dependent in Weather and Climate Models with Reinforcement Learning [0.5131152350448099]
  本研究は,パラメトリックスキームのコンポーネントをオンラインで学習するフレームワークを提案する。 理想的なテストベッドの階層にまたがって、結果のRL駆動パラメータの更新を評価する。 結果は、RLがスキリフルな状態依存とレギュラー対応のパラメトリを提供することを強調している。
  論文  参考訳（メタデータ） (2026-01-07T11:19:16Z)
• ACD: Direct Conditional Control for Video Diffusion Models via Attention Supervision [62.41380823195191]
  本稿では,注意監督による映像拡散モデルにおける直接条件制御のためのフレームワークである,注意継続拡散(Attention-Conditional Diffusion)を提案する。 ACDは、モデルの注意マップと外部制御信号との整列により、より良い制御性を実現する。 ベンチマークビデオ生成データセットの実験は、ACDがコンディショニング入力と優れたアライメントを提供することを示した。
  論文  参考訳（メタデータ） (2025-12-24T16:24:18Z)
• Control-R: Towards controllable test-time scaling [44.02977521360594]
  推論制御場(RCF)は、木探索の観点から推論を導くために構造化制御信号を注入する。 RCFは、複雑なタスクを解く際に、与えられた制御条件に応じて推論の労力を調整することができる。 条件蒸留ファインタニング(CDF)は、特に制御-R-32Bをモデルとし、試験時間中の推論を効果的に調整する。
  論文  参考訳（メタデータ） (2025-05-30T19:59:44Z)
• ReACT: Reinforcement Learning for Controller Parametrization using B-Spline Geometries [0.0]
  本研究は,N次元B-スプライン測地(BSG)を用いた深部強化学習(DRL)を用いた新しいアプローチを提案する。 本稿では,操作条件に依存する複雑な振る舞いを持つシステムのクラスであるパラメータ変量システムの制御に焦点をあてる。 多数の動作条件に依存するコントローラパラメータをマッピングするために,BSGを導入し,適応処理をより効率的にする。
  論文  参考訳（メタデータ） (2024-01-10T16:27:30Z)
• Steady-State Error Compensation in Reference Tracking and Disturbance Rejection Problems for Reinforcement Learning-Based Control [0.9023847175654602]
  強化学習(Reinforcement Learning, RL)は、自動制御アプリケーションにおける将来的なトピックである。 アクター批判に基づくRLコントローラのためのイニシアティブアクション状態拡張(IASA)が導入される。 この拡張は専門家の知識を必要とせず、アプローチモデルを無償にしておく。
  論文  参考訳（メタデータ） (2022-01-31T16:29:19Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Reinforcement Learning for Thermostatically Controlled Loads Control using Modelica and Python [0.0]
  このプロジェクトは、電力系統制御に強化学習(RL)を適用する機会を調査し、評価することを目的としている。 The proof of concept (PoC) was developed to voltage control of thermostatically controlled loads (TCLs) for power consumption using Modelica-based pipeline。 本稿では,状態空間の離散化を含むQ-ラーニングパラメータが制御性能に与える影響について述べる。
  論文  参考訳（メタデータ） (2020-05-09T13:35:49Z)

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。