Cyber-Physical Systems
PulseAugur coverage of Cyber-Physical Systems — every cluster mentioning Cyber-Physical Systems across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
机器人集群避碰在真实户外测试中得到验证
研究人员开发并测试了一种用于机器人集群的去中心化安全验证算法，特别侧重于在真实的户外环境中防止碰撞。该算法经过改编和增强，适用于尺寸、重量和功耗受限的无人机（UAV）。涉及 140 次户外飞行（包括最多 8 架无人机的集群飞行）的大量实验表明，该系统能够实时有效地验证安全性并采取安全措施避免碰撞。每个代理通常需要大约 500-520 毫秒来验证未来 4 秒的安全性，其中广播时间是一个重要因素。
-
GPT-5赋能网络物理系统新型LLM规划框架
研究人员开发了一个分层反馈框架，以提高像GPT-5这样的大型语言模型（LLM）为复杂网络物理系统生成可执行计划的能力。该框架通过提供关于计划失败的信息性反馈，指导修订以克服误解、不可行性和安全约束违反，从而解决了当前LLM规划的局限性。实验表明，在七种不同的CPS场景中，生成满足自然语言任务的可执行计划的成功率为87.9%。
-
新工作流通过仿真证据增强了网络物理系统设计
本文介绍了一种以证据驱动的工作流，用于系统地将从仿真和运行活动中获得的知识转移回网络物理系统的设计时模型。所提出的方法旨在解决将执行结果隐式转移到持久设计知识的挑战。该工作流使用带有符号跟随机器人用例的影响模型进行了演示，展示了仿真证据如何通过支持与参与者修剪、交互表征和有效性范围相关的决策来增强影响模型。
-
AI控制器转变架构，破坏网络物理系统的可追溯性
一项新发表在arXiv上的实证研究，考察了网络物理系统中传统和AI赋能的Simulink控制器之间的架构差异。研究分析了62个真实世界模型，并对13名从业者进行了调查，结果显示，无论控制器范式如何，子系统组织仍然占主导地位。然而，AI赋能的控制器大量使用离散动力学和用户定义抽象，而这些在当前的AI文献中代表性不足。一个关键发现是，AI赋能模型中显式约束执行块的消失，将安全机制转移到隐式的训练产物中，并可能破坏可追溯性。
-
新框架应对网络物理系统中的“设计幻觉”
一个新的概念流程旨在通过明确“设计幻觉”来解决网络物理系统（CPS）中的“现实差距”。该方法由Anna DI PLACIDO在一篇论文中详细介绍，侧重于识别、分类和表征导致预期系统行为与观察到的系统行为之间差异的无效假设。通过将这些“设计幻觉”构建为可重用知识，该流程旨在改进CPS未来的设计决策。
-
调查梳理了LLM在控制系统中的集成挑战
一篇新发表在arXiv上的调查论文探讨了大型语言模型（LLM）在网络控制系统（NCS）、网络物理系统（CPS）和多智能体网络系统（CNS）的控制循环中的集成问题。该论文讨论了LLM固有的缓慢、随机特性与这些物理系统严格的稳定性和安全要求之间的固有冲突。它提出了一个框架，其中LLM充当调整高级目标的慢速监督者，而一个快速、经过认证的内部循环则确保物理稳定性，将LLM集成挑战映射到诸如延迟和丢包等经典控制问题。该调查强调了一个常见的权衡：…
-
PEARL框架增强了以人为中心的CPS中的隐私-效用控制
研究人员开发了PEARL，一个用于控制利用深度强化学习的以人为中心的网络物理系统（CPS）中隐私和效用的新框架。PEARL采用双路径早期退出深度Q网络，在不注入噪声的情况下结构性地限制共享动作的描述能力。这是通过使用效用置信度标签（UCL）和隐私置信度标签（PCL）来实现的，以确保动作质量并控制隐私泄露。该框架已在智能家居HVAC和VR教室系统上得到验证，证明在可控的效用成本下，对抗性状态推断的准确性显著降低。
-
New method models and repairs uncertainty-driven inconsistencies in Cyber-Physical Systems
研究人员开发了一种新方法来管理网络物理系统（CPS）中由不确定性引起的不一致。通过将不一致重新表述为干预响应建模问题，他们可以训练一个代理模型来根据传播的不确定性几何形状预测不一致。与传统的蒙特卡洛方法相比，这种方法显著减少了评估时间，能够对不确定性驱动因素进行更广泛的分析，并有助于通过最小干预来恢复系统一致性。
-
研究人员发现数字孪生退化信号表明存在网络物理攻击
研究人员开发了一个新的框架，通过监控数字孪生的时间不一致性来检测网络物理攻击。该方法在正常系统行为上训练数字孪生预测器，然后分析预测状态与观测状态之间的差异。这些不一致性被转化为捕捉预测残差演变的时间特征，然后由无监督密度模型和序列变化检测机制使用，以识别表明攻击的偏差。该框架已在工业控制系统数据集上进行了评估，即使在数字孪生视图退化的情况下，也显示出高检测可靠性和低误报率。
-
建筑运营中的人工智能面临独特的软件工程挑战
由于控制故障的不可逆性，在建筑运营中部署人工智能会带来独特的软件工程挑战。与典型的数字环境不同，不理想的建筑控制可能导致能源浪费、居住者舒适度下降以及设备加速磨损。土木工程和计算机科学的两个跨学科研究项目确定了当前针对具有物理后果的故障系统的 SE4AI 实践中的关键差距，为未来的验证奠定了基础。
-
新的 SaBRe 框架增强了 AI 安全的神经网络验证
研究人员开发了一个名为 SaBRe 的新框架，该框架使用分支定界方法来验证神经网络是否符合关系规范。这种方法对于确保网络物理系统中 AI 组件的安全性至关重要。SaBRe 通过分割关系神经元并采用新颖的选择策略来有效改进问题验证，从而优于现有技术。在 ACAS Xu 和 MNIST 等数据集上的评估表明，与基线方法相比，SaBRe 在解决实例和验证效率方面表现更优。
-
新框架通过仿真优化网络物理系统知识
研究人员开发了一个概念框架，通过提炼仿真证据中获得的知识来增强对网络物理系统（CPS）的理解。该框架引入了“影响”的概念，以支持仿真活动的迭代优化，旨在加深对系统行为的理解。该方法通过一个涉及使用Simulink和Gazebo仿真的移动机器人的案例研究进行了演示。
-
新论文探讨人工智能驱动的网络物理系统中的技术债务
一篇新论文探讨了人工智能密集型网络物理系统（AI-CPS）中特有的技术债务。这些系统应用于自动驾驶汽车和医疗保健等领域，结合了硬件、人工智能和传统软件，从而产生了专门的技术债务。该研究旨在描述这种 AI-CPS 技术债务的特征，开发识别方法，并提出缓解策略，可能通过支持代理式人工智能解决方案的自动化工具来实现。
-
数据中心运营技术安全滞后，AI需求给关键基础设施带来压力
数据中心日益成为关键基础设施，但其运营技术（OT）和网络物理系统（CPS）的安全性却常常被忽视。这些系统，包括电力和冷却系统，容易遭受网络物理攻击，可能导致停机而非传统的数据泄露。随着AI需求的增长，对这些设施的依赖性日益增强，使其运行韧性成为经济和公共安全问题。
-
最新研究探讨LLM智能体在技能选择、自动驾驶和合规性方面的进展
arXiv上发布的多篇研究论文探讨了大型语言模型（LLM）智能体的进展，重点在于提高其能力和可靠性。其中一篇论文介绍了用于LLM智能体最优技能选择的最佳前缀选择（BPS），该方法在性能和代币成本方面提供了可证明的保证。另一项研究提出了一个混合框架用于自动驾驶，该框架整合了LLM的常识推理与强化学习和PID控制，以增强决策能力。此外，还有研究通过纵向生命轨迹来缓解LLM智能体中的身份本质主义，并开发了LLM智能体的策略合规性和故障归因方法。
-
新研究详细介绍了针对物联网/信息物理系统持续学习系统的后门攻击
一篇新论文详细介绍了一种专门为物联网（IoT）和信息物理系统（CPS）中的持续学习系统设计的后门攻击。研究强调了持续适应虽然对这些系统有益，但也会产生漏洞，允许恶意行为被植入并保持休眠状态，直到被触发。该研究形式化了与物联网/信息物理系统环境相关的威胁模型，并分析了后门在这些管道中被放大的持久性，强调了在终身学习应用中加强安全措施的必要性。
-
提出面向6G网络物理系统的AI原生闭环安全
一篇新的调查论文提出了一种面向支持6G的网络物理系统（CPS）的AI原生闭环安全框架。该提议的系统旨在以毫秒级精度在网络边缘检测和缓解威胁，解决了传统安全模型的局限性。它集成了多种AI技术，包括联邦学习和数字孪生，以创建一个强大且自适应的安全管道。
-
新的U-Balance方法通过不确定性改进CPS安全监控
研究人员开发了一种名为U-Balance的新方法，通过解决遥测数据中的极端类别不平衡问题来改进网络物理系统（CPS）的安全监控。该方法利用与安全结果相关的行为不确定性来重新平衡数据集。U-Balance训练一个不确定性预测器，然后采用不确定性引导的标签重平衡机制，将不确定的“安全”窗口重新标记为“不安全”，从而在不生成合成数据的情况下丰富少数类。在无人机基准测试中进行评估，U-Balance取得了0.806的F1分数，显著优于现有方法。
-
Claroty推出物联网安全智能体，用于关键基础设施
Claroty已推出Claroty Claire，这是一款专为网络物理系统（CPS）设计的、由人工智能驱动的安全智能体。该智能体旨在通过提供人工智能驱动的可视性和情境洞察来增强关键基础设施的保护。Claire基于丰富的CPS专业知识和专有的CPS语言模型构建，标志着在保护这些复杂环境方面取得了重大进展。
-
面向产品的自编码器提升了制造业的异常检测能力
研究人员开发了一种面向产品的自编码器，以增强多产品制造系统中的异常检测能力。这种新方法解决了传统非产品导向模型的局限性，这些模型会因容纳来自不同产品等级的数据而可能掩盖细微的异常或网络物理攻击。面向产品的自编码器将学习限制在特定等级的分布内，在模拟攻击场景中表现出更强的鲁棒性，并实现了 100% 的检测准确率，而在这些场景中，全局模型失效的概率为 77.8%。