Goal-Oriented Digital Twin for Operational Loss Minimization in 6G-Enabled Industrial Systems: A Joint Sensing and Control Approach
Notice bibliographique
Résumé
Future 6G-enabled industrial systems will rely on distributed sensing and control over communication networks to manage concurrent processes, collaboratively achieving system-level operational objectives. However, various physical constraints, including excessive communication delays, complex interprocess dependencies, and dynamic system objectives, inevitably cause deteriorated operational outcomes compared to ideal conditions. To minimize this operational loss, we propose a goal-oriented digital twin (GDT) framework that overcomes these physical constraints through system orchestration in the virtual domain for dynamic objective fulfillment. Based on operational goals, the proposed GDT selectively integrates distributed sensing information into system digital twins, which then map system-level objectives into executable control tasks for individual devices. Specifically, by continuously evaluating the goal relevance of sensing data from individual devices, distributed observations are selected and prioritized, enabling control-aware communication resource allocation that balances control performance and communication efficiency. Moreover, delay-compensated control commands are accurately derived within the GDT framework, where the sensed temporal synchrony and interprocess dependencies are intentionally considered for coordinated task execution across distributed devices. Through this cohesive joint sensing and control design in the virtual domain, system-level objectives are fulfilled with minimized operational loss. Extensive simulations validate that GDT significantly improves control accuracy and resource efficiency in large-scale industrial systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».