要約
機械学習は、複雑なシステムをさまざまなアプリケーション（ゲーム、ロボットなど）で望ましい状態に促進するための制御ポリシーを構築することに成功しています。
具体的には、多くのポリシーのパラメーターを環境の観察から自動的に最適化して、最高のパフォーマンスにつながる一連の決定を生成できるようにすることができます。
この調査論文では、特に、別のユニークで実用的なユースケースシナリオ（ファーミング）のためのこのような政策学習手法を探求します。このように、リスクを最小限に抑えながら、収益を最小限に抑えながら（例：植物、健康な作物など）、タイムリーに行わなければなりません。
最初に、ドメイン固有の課題だけでなく、潜在的なソリューションを備えた機会を特定するために、それに関する最新の研究の幅広い概要を提供します。その一部は、将来の研究の有望な方向として示唆されています。
また、「第3回自律温室チャレンジ」で46チームの中で2番目にランクされるという成功したアプローチを紹介し、この特定の例を使用して、自律的な農場管理システムを作成するために設計の重要な考慮事項について学んだ教訓を議論します。
要約(オリジナル)
Machine learning has been successful in building control policies to drive a complex system to desired states in various applications (e.g. games, robotics, etc.). To be specific, a number of parameters of policy can be automatically optimized from the observations of environment to be able to generate a sequence of decisions leading to the best performance. In this survey paper, we particularly explore such policy-learning techniques for another unique, practical use-case scenario–farming, in which critical decisions (e.g., water supply, heating, etc.) must be made in a timely manner to minimize risks (e.g., damage to plants) while maximizing the revenue (e.g., healthy crops) in the end. We first provide a broad overview of latest studies on it to identify not only domain-specific challenges but opportunities with potential solutions, some of which are suggested as promising directions for future research. Also, we then introduce our successful approach to being ranked second among 46 teams at the ”3rd Autonomous Greenhouse Challenge” to use this specific example to discuss the lessons learned about important considerations for design to create autonomous farm-management systems.
arxiv情報
| 著者 | Yongshuai Liu,Taeyeong Choi,Xin Liu |
| 発行日 | 2025-03-27 16:06:59+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google