Core Concepts
深層ニューラルネットワークを用いて、温室の気候制御と作物生産の最適化を実現する。
Abstract
本論文では、温室の気候と作物成長のための二段階の階層的制御フレームワークを提案している。上位レベルの最適化層では、気象予報データを用いて1日分の経済的に最適な入力と状態の参照軌道を生成する。一方、下位レベルのNMPC(非線形モデル予測制御)は、短期的な外乱予測に基づいて参照軌道を追跡する。
さらに、NMPCの高計算コストを軽減するため、深層ニューラルネットワーク(DNN)を用いて最適制御入力を近似的に生成する手法を提案している。シミュレーション結果から、DNN制御器はNMPCと同等の性能を示しつつ、計算時間が4桁ほど短いことが確認された。これにより、低コストの組み込みデバイスでの実装が可能となり、遠隔地の温室制御などへの適用が期待できる。
Stats
1日当たりの作物生産量: NMPC 1.2512 kg/m^2、DNN 1.2497 kg/m^2
外乱の不確実性10%の場合の1日当たりの総コスト: NMPC 99.13 C、DNN 103.08 C
Quotes
"深層ニューラルネットワークを用いて最適制御入力を近似的に生成することで、計算時間を大幅に短縮できる。"
"低コストの組み込みデバイスでの実装が可能となり、遠隔地の温室制御などへの適用が期待できる。"