Onderzoeksgroep
Doelgerichte processturing met behulp van Constraint-Gerichte Model-Based Reinforcement Learning.
Abstract
Vanwege de sterke economische impact ontving het gebied van processturing in de loop der jaren veel aandacht van onderzoekers. Terwijl klassieke besturingsmethoden al tientallen jaren in gebruik zijn, is de toepassing van Machine Learning (ML) nog niet onderzocht. Een nieuw gebied binnen ML is Reinforcement Learning (RL), dat frequent de state-of-the-art (SOTA) in de besturing van complexe systemen heeft verbeterd. Bijgevolg heeft de toepassing van deze techniek op industriële processturing het potentieel om de efficiëntie sterk te verbeteren. Enerzijds leidt dit tot een daling van kosten, gebruikte materialen en energiebehoeften van enkele van de grootste industrieën wereldwijd. Anderzijds opent dit een weg voor coöperatie tussen academici en industrie. Dit project onderzoekt technieken die gericht zijn op het toepassen van RL op industriële processturing door het ontwikkelen van doelgerichte agents die de verwachtingen van de gebruiker omvatten. (1) Een agent met een accuraat latent world model wordt ontwikkeld met SOTA prestaties en sterke redeneercapaciteiten. (2) Deze agent wordt uitgebreid met een reverse imagination model om fysische states te reconstrueren uit latent states. Hierop worden state constraints toegepast op basis van expertkennis om een intuïtief kader te creëren voor het besturen van de agent. (3) De agent wordt dan overgebracht van simulatie naar werkelijkheid met behulp van offline data om het interne model op één lijn te brengen met de echte wereld.Onderzoeker(s)
- Promotor: Mercelis Siegfried
- Co-promotor: Anwar Ali
- Co-promotor: Mets Kevin
- Mandaathouder: Troch Arne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject
Doelgerichte Processturing door integratie van Expertise in Model-Based Reinforcement Learning met behulp van Soft Constraints.
Abstract
Vanwege de sterke economische impact ontving het gebied van processturing in de loop der jaren veel aandacht van onderzoekers. Terwijl klassieke besturingsmethoden al tientallen jaren in gebruik zijn, is de toepassing van Machine Learning (ML) nog niet onderzocht. Een nieuw gebied binnen ML is Reinforcement Learning (RL), dat frequent de state-of-the-art (SOTA) in de besturing van complexe systemen heeft verbeterd. Bijgevolg heeft de toepassing van deze techniek op industriële processturing het potentieel om de efficiëntie sterk te verbeteren. Enerzijds leidt dit tot een daling van kosten, gebruikte materialen en energiebehoeften van enkele van de grootste industrieën wereldwijd. Anderzijds opent dit een weg voor coöperatie tussen academici en industrie. Dit project onderzoekt technieken die gericht zijn op het toepassen van RL op industriële processturing door het ontwikkelen van doelgerichte agents die de verwachtingen van de gebruiker omvatten. (1) Een agent met een accuraat latent world model wordt ontwikkeld met SOTA prestaties en sterke redeneercapaciteiten. (2) Deze agent wordt uitgebreid met een reverse imagination model om fysische states te reconstrueren uit latent states. Hierop worden state constraints toegepast op basis van expertkennis om een intuïtief kader te creëren voor het besturen van de agent. (3) De agent wordt dan overgebracht van simulatie naar werkelijkheid met behulp van offline data om het interne model op één lijn te brengen met de echte wereld.Onderzoeker(s)
- Promotor: Hellinckx Peter
- Co-promotor: Mercelis Siegfried
- Mandaathouder: Troch Arne
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject