A Survey of Reinforcement Learning for Optimization in Automation

要約

Rehnection Learning（RL）は、自動化内で最適化の課題のための重要なツールとなっており、いくつかの分野で大きな進歩をもたらしました。
このレビュー記事では、製造、エネルギーシステム、ロボット工学における役割に特に焦点を当てた、自動化内のRLの現在の景観を調べます。
それは、最新の方法、主要な課題、および各セクター内の研究の今後の研究の道を議論し、複雑な最適化の課題を解決するRLの能力を強調しています。
このペーパーでは、自動化におけるRL駆動型の最適化方法の利点と制約をレビューします。
サンプルの効率とスケーラビリティに関連する問題を含む、RLの最適化で遭遇する一般的な課題を指摘しています。
安全性と堅牢性;
解釈性と信頼性;
転送学習とメタ学習。
現実世界の展開と統合。
さらに、これらの課題をナビゲートするための将来の戦略と将来の研究経路を探求します。
さらに、この調査には、関連する研究論文の包括的なリストが含まれており、このドメインの探索に熱心な学者や開業医にとって不可欠なガイドになっています。

要約(オリジナル)

Reinforcement Learning (RL) has become a critical tool for optimization challenges within automation, leading to significant advancements in several areas. This review article examines the current landscape of RL within automation, with a particular focus on its roles in manufacturing, energy systems, and robotics. It discusses state-of-the-art methods, major challenges, and upcoming avenues of research within each sector, highlighting RL’s capacity to solve intricate optimization challenges. The paper reviews the advantages and constraints of RL-driven optimization methods in automation. It points out prevalent challenges encountered in RL optimization, including issues related to sample efficiency and scalability; safety and robustness; interpretability and trustworthiness; transfer learning and meta-learning; and real-world deployment and integration. It further explores prospective strategies and future research pathways to navigate these challenges. Additionally, the survey includes a comprehensive list of relevant research papers, making it an indispensable guide for scholars and practitioners keen on exploring this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google