用于优化人在环系统的基于 LLM 的数字孪生
系统与控制
2024-03-26 v1 人工智能
机器学习
系统与控制
摘要
信息物理系统与物联网（CPS-IoT）应用及基础模型的日益普及，正在催生利用环境实时控制的新应用。例如，暖通空调（HVAC）系统的实时控制可以在不需要时降低其使用以保障人员的舒适度，从而减少能耗。然而，在此类人在环（HITL）系统中，收集关于人类偏好的实时反馈在实践中十分困难。我们提出使用大语言模型（LLM）来应对 CPS 优化中动态环境和数据难以获取的挑战。本文提出了一个案例研究，采用 LLM 智能体来模拟购物中心中不同人群（如年轻家庭、老年人）的行为和热偏好。聚合后的热偏好被集成到基于智能体在环的强化学习算法 AitL-RL 中，该算法将 LLM 作为物理环境的动态仿真，以学习如何在节能与人员舒适度之间取得平衡。结果表明，LLM 能够模拟大型开放空间内复杂的人群流动。此外，与流行的设定点控制策略相比，AitL-RL 展现出更优的性能，这表明自适应和个性化的决策对于 CPS-IoT 应用的高效优化至关重要。通过此案例研究，我们展示了将 LLM 等先进基础模型集成到 CPS-IoT 中以增强系统适应性和效率的潜力。项目代码可在我们的 GitHub 仓库中找到。
引用
@article{arxiv.2403.16809,
title = {An LLM-Based Digital Twin for Optimizing Human-in-the Loop Systems},
author = {Hanqing Yang and Marie Siew and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2403.16809},
year = {2024}
}
备注
Accepted at International Workshop on Foundation Models for Cyber-Physical Systems & Internet of Things (FMSys) 2024, Co-located at CPS-IoT Week 2024