스마트 온실 강화학습 제어에서 단일 스칼라 보상만으로는 정책이 언제 난방·CO2 공급·환기·습도 관리·스크린·조명을 쓰는지 알 수 없다는 문제를 겨냥해, 캘리브레이션 우선 보상 구성요소 감사 프레임워크를 제안했다. 명명된 온실 제어 보상 요소들을 시뮬레이터 학습, 시설 적응 롤아웃, Autonomous Greenhouse Challenge 실측 기록, 액추에이터 규칙 증류에 걸쳐 비교 가능하게 유지한다. GreenLight-Gym에서 스칼라 보상을 온도·CO2·습도·증기압차(VPD)·스크린·작동 프록시 항으로 분해하고, 2회 챌린지의 실측 기후 데이터에 GreenLight를 적응시켜 동일 요소를 채점했다. 재배자와 제어 엔지니어가 RL 정책의 행동을 해석 가능하게 검증할 수 있는 재현 가능한 감사 절차를 제공한다.
- •온실 RL은 작물 실험보다 빠르게 기후 제어 아이디어를 검증하지만 단일 보상값은 해석이 불가
- •스칼라 보상을 온도·CO2·습도·VPD·스크린·작동 프록시 항으로 분해하는 감사 프레임워크
- •시뮬레이터 학습럼실측 로그럼규칙 증류 전반에서 보상 요소 비교 가능성 유지
- •GreenLight를 Autonomous Greenhouse Challenge 2회 실측 기후 데이터에 적응시켜 검증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Calibration-First Reward-Component Auditing for Reinforcement Learning Control in Smart Greenhouses
- 1.스마트 온실 RL 제어용 '캘리브레이션 우선' 보상 요소 감사 프레임워크 제안
- 2.스칼라 보상을 온도·CO2·습도·증기압차·스크린·구동 항목으로 분해해 비교
- 3.GreenLight-Gym을 자율온실챌린지 실측 기후 기록에 적응, 동일 지표로 채점
- 4.시뮬레이터 훈련→시설 적응→실측 로그까지 보상 요소 비교 가능성 유지
왜 중요한가?
RL 정책이 '점수가 높다'는 것만으로는 재배자가 신뢰할 수 없다는 농업 현장의 요구를 반영해, 정책이 언제 난방·환기·CO2 공급을 하는지 구성 요소별로 해석 가능하게 만든 접근이다. 시뮬레이터와 실제 온실 간 이전 검증의 재현 가능한 틀을 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2607.11959v1 Announce Type: new Abstract: Greenhouse reinforcement learning can test climate-control ideas at a speed and scale that is difficult to achieve with crop experiments alone. For smart-greenhouse control, however, a single simulator return is not enough: a grower or control engineer also needs to know when the policy heats, enriches CO2, vents, manages humidity, deploys screens, or uses lamps.We propose a reproducible calibration-first reward audit framework that keeps named gr
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:40AI 초안
