An Emergency Disposal Decision-making Method with Human–Machine Collaboration

要約

人工知能技術の急速な発展により、高精度の予測と決定が必要な多くの分野で、人間に代わる無人システムが導入されています。
最新の運用環境では、すべての作業計画が機器の故障やリソース不足などの緊急事態の影響を受けるため、迅速な解決が重要になります。
意思決定を支援するために無人システムを使用すると、解決効率が向上しますが、その意思決定は解釈可能ではなく、誤った決定を下す可能性があります。
現在の無人システムは人間による監視と制御を必要とします。
これに基づいて、タスク フィルタリングとタスク スケジューリングの 2 つのフェーズを使用して、計画外のイベントを解決するための人間と機械の協調的な方法を提案します。
タスクのフィルタリング段階では、動的タスクのための人間と機械の協調的な意思決定アルゴリズムを提案します。
GACRNN モデルは、ジョブ ノードの状態を予測し、キー ノードを特定し、マシンが予測する解決タスク リストを生成するために使用されます。
人間の意思決定者はリアルタイムでリストを監視し、マンマシンインターフェースを通じて機械が予測したリストを修正および確認します。
タスクのスケジューリング段階では、人間の経験の制約を統合したスケジューリング アルゴリズムを提案します。
イベントを解決するためのステップは、通常のジョブ シーケンスに挿入され、解決をスケジュールします。
元の作業計画への影響を最小限に抑えながら、計画外のイベントを解決するための手順を生成するために、各フェーズでいくつかの人間と機械のコラボレーション方法を提案します。

要約(オリジナル)

Rapid developments in artificial intelligence technology have led to unmanned systems replacing human beings in many fields requiring high-precision predictions and decisions. In modern operational environments, all job plans are affected by emergency events such as equipment failures and resource shortages, making a quick resolution critical. The use of unmanned systems to assist decision-making can improve resolution efficiency, but their decision-making is not interpretable and may make the wrong decisions. Current unmanned systems require human supervision and control. Based on this, we propose a collaborative human–machine method for resolving unplanned events using two phases: task filtering and task scheduling. In the task filtering phase, we propose a human–machine collaborative decision-making algorithm for dynamic tasks. The GACRNN model is used to predict the state of the job nodes, locate the key nodes, and generate a machine-predicted resolution task list. A human decision-maker supervises the list in real time and modifies and confirms the machine-predicted list through the human–machine interface. In the task scheduling phase, we propose a scheduling algorithm that integrates human experience constraints. The steps to resolve an event are inserted into the normal job sequence to schedule the resolution. We propose several human–machine collaboration methods in each phase to generate steps to resolve an unplanned event while minimizing the impact on the original job plan.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google