1. LLM を活用したHVAC 制御の研究動向 2. Office-in-the-Loop for Building HVAC Control with Multimodal Foundation Models 3. Pre-Trained Large Language Models for Industrial Control 

LLM を活用したHVAC 制御の研究動向 HVAC （空調）制御における大規模言語モデル（LLM ）の活用と発展 

Topic Overview 研究の背景 HVAC 制御の課題： エネルギー効率の最適化 快適性の維持 環境変化への適応 実装コストの削減 LLM アプローチの利点 1. 少ないサンプルで効果的な制御を実現 2. 技術負債の削減（訓練不要） 3. 異なる環境への高い適応性 4. 人間の直感的なフィードバックの活用が容易 

論文間の関係性 シミュレーションから実環境へ 1. Song et al. (2023): シミュレーション環境でのLLM 活用 GPT-4 による直接制御の実現可能性を実証 プロンプト設計の方法論確立 2. Sawada et al. (2024): 実オフィス環境での実装と検証 マルチモーダル情報の活用 人間のフィードバックを組み込んだ制御の実現 技術的な発展 プロンプト設計：シンプルな数値制御から、マルチモーダル情報を含む複雑な制御へ 評価指標：シミュレーション性能から実際の電力消費量と快適性の評価へ 制御範囲：単一環境から多様な環境条件への対応へ 

今後の展望 技術的な課題 1. LLM の数値処理能力の向上 2. より効率的なプロンプト設計手法の開発 3. マルチモーダル情報の統合方法の最適化 4. リアルタイムフィードバックの効率的な活用 応用の可能性 1. より大規模な施設への展開： データセンター 工場施設 商業施設 2. 他の産業制御タスクへの応用： 在庫管理 生産ライン制御 

No content

Office-in-the-Loop for Building HVAC Control with Multimodal Foundation Models https://doi.org/10.1145/3671127.3698182 Tomoya Sawada (MITSUBISHI ELECTRIC, Yokohama, Japan) Takaomi Hasegawa (Matsuo Institute, Inc, Tokyo, Japan) Keiichi Yokoyama (Matsuo Institute, Inc, Tokyo, Japan) Masahiro Mizuno (MITSUBISHI ELECTRIC, Yokohama, Japan) BuildSys '24, 2024 

どんなもの？ 実際のオフィス環境でLLM を活用してHVAC 制御を 最適化する研究 主な特徴： 実際のオフィス（322 ㎡）での実装と評価 マルチモーダルファンデーションモデルによる 空間温度分布と在席状況の理解 オフィスワーカーからのリアルタイムなフィー ドバック収集 環境データとフィードバックを統合したプロン プト設計 結果： 消費電力を最大47.92% 削減（39.48 kWh 相当） 快適性を26.36% 向上 システム概要：マルチモーダルファンデーションモデルを用いたHVAC 制御。実 世界のオフィス環境に動的に適応する最適なHVAC 予測を実現するためにジェ ネレーティブAI をシミュレータとして活用 

先行研究と比べてどこがすごいの？ 従来研究の課題： シミュレーション環境での評価に限定 人間のフィードバックのみに依存した制御の限 界 プライバシーの問題（監視カメラ使用など） 本研究の新規性： 実環境での実装と評価（シミュレーションでは ない） マルチモーダル情報（温度分布、在席状況、照 度など）の統合 "Office-in-the-Loop" システムの提案：人間のフ ィードバックだけでなく、環境情報を包括的に 活用 オフィスの見取り図。MELRemo-IPS センサー（▲）とSoracom センサー（▼） の設置位置、オフィスワーカーの位置、空間温度分布を可視化。 

技術や手法の" キモ" はどこにある？ Office-in-the-Loop システムの実装： 1. IoT センサーによる環境データとフィードバック 収集 2. オフィスレイアウトへの空間温度分布とオフィ スワーカー位置のマッピング 3. マルチモーダルAI によるテキスト記述生成 4. プロンプトジェネレータによる情報統合 5. LLM による最適なHVAC 温度設定の予測 6. 実環境へのフィードバック適用 プロンプト設計の工夫： 目的と具体的な指示の明確化 プロンプトエンジニアリングの概要。目的、具体的な指示、現在の状況、デモ ンストレーションを含む構造化されたプロンプト設計。 

現在の状況の構造化（温度、設定値、消費電力 予測、フィードバック） 過去のデータをFew-shot の例として活用 どうやって有効だと検証した？ 実験設定： 期間：1.5 ヶ月（1 月15 日〜2 月9 日、2 月26 日〜 3 月8 日） 場所：横浜ダイアビル内の322 ㎡のオフィス 参加者：平均18.6 人/ 日のオフィスワーカー 比較手法： 1. ベースライン（固定設定温度23℃ ） 2. LLMs 単体 3. LLMs + MFMs 評価結果： 消費電力削減： LLMs: 47.92% 削減 屋外温度と電力消費量の時系列変化。ベースラインと比較して、LLM ベースのア プローチが大幅な省エネを達成。 

LLMs + MFMs: 34.97% 削減 快適性向上： LLMs: 26.36% 向上 LLMs + MFMs: 25.93% 向上 議論はあるか？ システムの限界と課題： 1. 2 時間間隔のフィードバック収集に依存 2. 早朝のフィードバック不足（勤務時間の多様性） 3. エリアごとのフィードバック収集の不均一性 将来の改善点： フィードバック収集の自動化（行動分析による 快適性推定） より大規模な施設（データセンター、工場）へ の適用 インセンティブ設計によるフィードバック収集 の改善 フィードバック収集の時間的制約。早朝のフィードバック不足や、エリアごと のフィードバック収集の不均一性が課題。 

次に読むべき論文はあるか？ 1. Lei Song et al. (2023). Pre-Trained Large Language Models for Industrial Control. 産業制御におけるLLM の活用可能性を検討した研究。 2. Ki Uhn Ahn et al. (2023). Alternative Approaches to HVAC Control of Chat Generative Pre-Trained Transformer for Autonomous Building System Operations. ChatGPT を用いたHVAC 制御のシミュレーション研究。 3. Saman Taheri et al. (2022). Model predictive control of heating, ventilation, and air conditioning (HVAC) systems: A state-of-the-art review. HVAC 制御におけるMPC の包括的なレビュー。 

Pre-Trained Large Language Models for Industrial Control https://arxiv.org/abs/2308.03028 Lei Song (Microsoft Research Asia) Chuheng Zhang (Microsoft Research Asia) Li Zhao (Microsoft Research Asia) Jiang Bian (Microsoft Research Asia) arXiv, 2023 

どんなもの？ 産業制御におけるLLM の直接利用を提案 特徴： サンプル効率の高い制御手法 技術負債の少ない実装 事前学習済みモデルの直接活用 異種タスクへの適応性 HVAC 制御を具体例として検証： GPT-4 を意思決定者として使用 環境情報を自然言語に変換して処理 フィードバックを含む対話的な制御 GPT-4 を用いたHVAC 制御のパイプライン。事前学習済みLLM を意思決定者とし て使用し、環境情報を自然言語で処理。 

先行研究と比べてどこがすごいの？ 従来手法の課題： 強化学習：サンプル効率が低く、訓練コストが 高い タスク固有のモデル設計が必要 異なる環境への適応に時間がかかる 本研究の新規性： 事前学習済みLLM の直接活用による低コスト実 装 自然言語によるタスク表現で異種環境に適応 訓練不要のプラグアンドプレイ方式 少ないデモンストレーションで効果的な制御を 実現 従来の強化学習手法とLLM ベースの制御手法の比較。LLM アプローチは少ない サンプルと技術負債で効果的な制御を実現。 

技術や手法の" キモ" はどこにある？ システム構成の工夫： 1. トランスレータ：数値データを自然言語に変換 メタ情報（建物タイプ、気象条件） 指示（暖房/ 冷房モードの切り替え） 状態（室温、外気温など） アクション（制御値の変換） フィードバック（報酬と次状態の説明） 2. デモンストレーション管理： エキスパートデモの活用 オンラインバッファによる最近の対話履歴保持 KNN モデルによる類似状態の検索 クラスタリングによる多様なデモの選択 プロンプト生成のプロセス。メタ情報、指示、状態、デモンストレーションを 統合して制御に活用。 

どうやって有効だと検証した？ 評価環境： BEAR （Building Environment for Action Research ）シミュレータ 異なる建物タイプと気象条件での検証 目標：室温22℃ の維持と消費エネルギーの最小 化 評価指標： 1. 性能比較：強化学習（PPO ）との比較 2. 汎化性能：異なる建物・気象条件での性能 3. プロンプト設計の影響分析 結果： 標準的な強化学習手法との性能比較。GPT-4 ベースの手法が少ないサンプルで 同等以上の性能を達成。 

強化学習と同等以上の性能を達成 より少ないサンプルで効果的な制御を実現 異なる環境への優れた適応性を確認 議論はあるか？ 手法の限界： 1. LLM の数値処理能力への依存 2. プロンプト設計の重要性と難しさ 3. API 利用時のコスト考慮の必要性 将来の課題： より複雑な産業制御タスクへの適用 プロンプト設計の自動化 マルチモーダルな入力の活用 実環境での検証 異なる建物タイプでの制御性能。同じ気象条件下でも建物の特性に応じた適切 な制御を実現。 

次に読むべき論文はあるか？ 1. Ahn et al. (2023). Alternative Approaches to HVAC Control of Chat Generative Pre-Trained Transformer for Autonomous Building System Operations. ChatGPT を用いたHVAC 制御の研究 2. Zhang et al. (2022). BEAR: A Building Environment for Action Research. 本研究で使用された評価環境の詳細 3. Wang et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. LLM を用いた意思決定システムの設計に関する研究