Maximum Solar Energy Tracking Leverage High-DoF Robotics System with Deep Reinforcement Learning

要約

太陽軌道モニタリングは、自律型エネルギーハーベスティングや環境センシングなどのアプリケーションを支える、太陽エネルギーシステムにおける極めて重要な課題です。
持続的な太陽追尾における一般的な故障モードは、予測アルゴリズムが誤って太陽軌跡から逸脱し、誤って無関係な天体または地球の特徴に固定された場合に発生します。
この現象は、追跡パラダイム内での太陽特有の物性属性の不適切な同化に起因します。
既存の方法論に固有のこの欠陥を軽減するために、追跡点を太陽実体の描かれた境界内に強制的に閉じ込める革新的なオブジェクトネス正則化フレームワークを導入します。
訓練段階中に太陽の物性指標をカプセル化することにより、私たちのアプローチは、運用展開中に明示的な太陽マスクの計算の必要性を排除します。
さらに、高自由度ロボット アームを活用して当社の手法を統合し、さまざまな屋外環境における堅牢性と柔軟性を向上させます。

要約(オリジナル)

Solar trajectory monitoring is a pivotal challenge in solar energy systems, underpinning applications such as autonomous energy harvesting and environmental sensing. A prevalent failure mode in sustained solar tracking arises when the predictive algorithm erroneously diverges from the solar locus, erroneously anchoring to extraneous celestial or terrestrial features. This phenomenon is attributable to an inadequate assimilation of solar-specific objectness attributes within the tracking paradigm. To mitigate this deficiency inherent in extant methodologies, we introduce an innovative objectness regularization framework that compels tracking points to remain confined within the delineated boundaries of the solar entity. By encapsulating solar objectness indicators during the training phase, our approach obviates the necessity for explicit solar mask computation during operational deployment. Furthermore, we leverage the high-DoF robot arm to integrate our method to improve its robustness and flexibility in different outdoor environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google