[論文レビュー] A Research Agenda for AI Planning in the Field of Flexible Production Systems

Aljosha Köcher, René Heesch+5 more|arXiv (Cornell University)|Dec 31, 2021

Flexible and Reconfigurable Manufacturing Systems参考文献 48被引用数 13

ひとこと要約

本論文は、自律的で説明可能かつ柔軟な生産計画を実現するため、情報物理的生産システム（CPPS）における記号的AI計画法と機械学習の統合を目的とした研究アジェンダを提唱する。モデリング、計画、スケジューリングにおける主な課題を特定し、最適化、機能的依存関係、ループ検出、実世界のベンチマークを支援するため、意味的モデルと計画アルゴリズムの統合を強化するよう要請する。

ABSTRACT

Manufacturing companies face challenges when it comes to quickly adapting their production control to fluctuating demands or changing requirements. Control approaches that encapsulate production functions as services have shown to be promising in order to increase the flexibility of Cyber-Physical Production Systems. But an existing challenge of such approaches is finding a production plan based on provided functionalities for a demanded product, especially when there is no direct (i.e., syntactic) match between demanded and provided functions. While there is a variety of approaches to production planning, flexible production poses specific requirements that are not covered by existing research. In this contribution, we first capture these requirements for flexible production environments. Afterwards, an overview of current Artificial Intelligence approaches that can be utilized in order to overcome the aforementioned challenges is given. For this purpose, we focus on planning algorithms, but also consider models of production systems that can act as inputs to these algorithms. Approaches from both symbolic AI planning as well as approaches based on Machine Learning are discussed and eventually compared against the requirements. Based on this comparison, a research agenda is derived.

研究の動機と目的

• 現在、情報物理的生産システム（CPPS）の意味的モデリングとAI計画アルゴリズムが独立して運用されていることによるギャップを埋める。
• 最適化、依存関係モデリング、ループ処理、説明可能性、実装作業量といった、柔軟な生産におけるAI計画のコアな要件を特定する。
• これらの要件に対して、記号的AI（例：PDDL、SMT、オントロジー）および機械学習アプローチの適性を評価し、研究上の空白を明らかにする。
• 意味的モデルが計画およびスケジューリングプロセスを情報提供・強化する統合フレームワークを提言する。
• 実際の産業現場における生産計画のエンドツーエンド自動化を指向する今後の研究を導くための研究アジェンダを確立する。

提案手法

• 既存のAI計画手法を記号的（例：PDDL、SMT、オントロジー）および非記号的（例：機械学習）の方法に分類する。
• 各手法を最適化、依存関係モデリング、ループ処理、説明可能性、実装作業量、データ活用の6つの主要な要件にマッピングする。
• 現在のアプローチが連続的機能的依存関係の処理、説明可能な意思決定、実世界のデータ統合において抱える制限を分析する。
• 3段階の生産計画パイプラインを提言する：(1) 製品、プロセス、リソースの意味的モデリング；(2) 行動シーケンスの生成のためのAI計画；(3) リソース割り当てとタイミングのためのスケジューリング。
• 意味的モデル（例：オントロジー）を計画アルゴリズムと統合することで、透明性を向上させ、情報損失を低減する。
• 実際の産業現場のベンチマークの開発を提言し、モデリング、計画、スケジューリングの各段階で計画システムを評価・比較可能にする。

実験結果

リサーチクエスチョン

• RQ1 PDDL や SMT などの記号的AI計画手法は、CPPSにおける複雑な連続的機能的依存関係をどのように拡張できるか？
• RQ2 機械学習モデルは、特に非線形プロセス行動のモデリングにおいて、どのように柔軟な生産システムにおける計画を改善できるか？
• RQ3 説明可能性をAI計画ソリューションに体系的に統合するにはどのような仕組みが必要か？産業環境における信頼性と正しさを保証するためである。
• RQ4 生産プロセスにおけるループの明示的検出を可能にするメカニズムは何か？これにより、高コストな再計画を大幅に削減できる。
• RQ5 実世界の産業データとベンチマークをどのように標準化された方法で活用し、AI計画システムの評価と比較に用いることができるか？

主な発見

• 現在のAI計画システムはCPPSの意味的モデルを活用できていないため、モデリング段階と計画段階の間に断絶が生じている。
• PDDL や SMT などの記号的AI手法は成熟しているが、複雑なシステムにおける連続的機能的依存関係や説明可能な推論のサポートに欠けている。
• 機械学習アプローチは複雑な連続的依存関係をモデリングできるが、説明可能性が低く、実装作業量が高いため課題が残る。
• 意味的モデル（例：オントロジー）と機械学習モデルの間には、それらの相補的な強みを考慮しても統合が存在しない。
• 現在の計画アルゴリズムではループ検出が部分的にしかサポートされておらず、明示的なループモデリングにより再計画のオーバーヘッドを顕著に削減できる。
• 実際の産業現場のベンチマークが不足しているため、AI計画アプローチの評価と比較が制限され、産業現場への導入を阻害している。