基于强化学习的数字孪生在农业中的当前应用与潜在未来方向
机器学习
2024-06-14 v1 人工智能
摘要
数字孪生凭借不断改进的机器学习模型，在仿真、监控和决策方面引起了各行业的关注。然而，与其他行业相比，农业数字孪生的实现仍然有限。与此同时，机器学习，特别是强化学习，在农业应用中显示出潜力，如优化决策、任务自动化和资源管理。数字孪生的一个关键方面是在虚拟环境中表示物理资产或系统，这与强化学习需要环境表示来学习任务的最佳策略非常契合。因此，农业中的强化学习可以在农业领域实现各种数字孪生应用。本综述旨在按应用领域（如机器人技术、温室管理、灌溉系统和作物管理）对现有在农业环境中采用强化学习的研究进行分类，识别基于强化学习的数字孪生的潜在未来领域。它还分类了所使用的强化学习技术，包括表格方法、深度Q网络（DQN）、策略梯度方法和Actor-Critic算法，以概述当前采用的模型。本综述旨在提供关于数字孪生与强化学习在农业中集成的最新进展的见解，识别未来研究的空白和机遇，并探索协同作用以应对农业挑战和优化农业实践，为更高效和可持续的农业方法铺平道路。
引用
@article{arxiv.2406.08854,
title = {Current applications and potential future directions of reinforcement learning-based Digital Twins in agriculture},
author = {Georg Goldenits and Kevin Mallinger and Sebastian Raubitzek and Thomas Neubauer},
journal= {arXiv preprint arXiv:2406.08854},
year = {2024}
}