論文の概要: SPSysML: A meta-model for quantitative evaluation of Simulation-Physical Systems

• arxiv url: http://arxiv.org/abs/2303.09565v3
• Date: Fri, 22 Dec 2023 15:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-25 18:54:31.051049
• Title: SPSysML: A meta-model for quantitative evaluation of Simulation-Physical Systems
• Title（参考訳）: SPSysML:シミュレーション物理システムの定量的評価のためのメタモデル
• Authors: Wojciech Dudek, Narcis Miguel, Tomasz Winiarski
• Abstract要約: 最近のシミュレーション手法は、Digital Twin(DT)の概念の実現を可能にする。 システム開発の間、その部品は模擬モックアップから実際のハードウェアにデプロイされたソフトウェアを実行する物理部品へと進化した。 我々は,CPSのシミュレートされた部品と物理部品の統合を,様々な設定で最大化することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Robotic systems are complex cyber-physical systems (CPS) commonly equipped with multiple sensors and effectors. Recent simulation methods enable the Digital Twin (DT) concept realisation. However, DT employment in robotic system development, e.g. in-development testing, is unclear. During the system development, its parts evolve from simulated mockups to physical parts which run software deployed on the actual hardware. Therefore, a design tool and a flexible development procedure ensuring the integrity of the simulated and physical parts are required. We aim to maximise the integration between a CPS's simulated and physical parts in various setups. The better integration, the better simulation-based testing coverage of the physical part (hardware and software). We propose a Domain Specification Language (DSL) based on Systems Modeling Language (SysML) that we refer to as SPSysML (Simulation-Physical System Modeling Language). SPSysML defines the taxonomy of a Simulation-Physical System (SPSys), being a CPS consisting of at least a physical or simulated part. In particular, the simulated ones can be DTs. We propose a SPSys Development Procedure (SPSysDP) that enables the maximisation of the simulation-physical integrity of SPSys by evaluating the proposed factors. SPSysDP is used to develop a complex robotic system for the INCARE project. In subsequent iterations of SPSysDP, the simulation-physical integrity of the system is maximised. As a result, the system model consists of fewer components, and a greater fraction of the system components are shared between various system setups. We implement and test the system with popular frameworks, Robot Operating System (ROS) and Gazebo simulator. SPSysML with SPSysDP enables the design of SPSys (including DT and CPS), multi-setup system development featuring maximised integrity between simulation and physical parts in its setups.
• Abstract（参考訳）: ロボットシステムは、複数のセンサーとエフェクターを備えた複雑なサイバー物理システム(CPS)である。 最近のシミュレーション手法は、Digital Twin(DT)の概念の実現を可能にする。 しかし、ロボットシステム開発におけるDTの雇用、例えば開発内テストは不明確である。 システム開発の間、その部品は模擬モックアップから実際のハードウェアにデプロイされたソフトウェアを実行する物理部品へと進化する。 したがって、シミュレーション部品と物理部品の整合性を確保するための設計ツールとフレキシブルな開発手順が必要である。 我々は,CPSのシミュレーションと物理部品の統合を,様々な設定で最大化することを目的としている。 統合性の向上、物理部分(ハードウェアとソフトウェア)のシミュレーションベースのテストカバレッジの向上。 本稿では、SPSysML(Simulation-Physical System Modeling Language)と呼ばれるシステムモデリング言語(SysML)に基づくドメイン仕様言語(DSL)を提案する。 SPSysMLは、シミュレーション・物理システム(SPSys)の分類を定義し、少なくとも物理的またはシミュレートされた部分からなるCPSである。 特に、シミュレーションされたものはDTである。 本稿では,SPSys のシミュレーション・物理的整合性を最大化できる SPSys 開発手法を提案する。 SPSysDPはINCAREプロジェクトのための複雑なロボットシステムの開発に使用されている。 その後のSPSysDPでは、システムのシミュレーションと物理の整合性が最大化される。 結果として、システムモデルは少ないコンポーネントで構成され、システムコンポーネントの大部分は、さまざまなシステムセットアップ間で共有される。 本稿では,ロボットオペレーティング・システム(ROS)とガゼボシミュレータを用いて,システムの実装とテストを行う。 SPSysDPを使用したSPSysMLは、SPSys(DTとCPSを含む)の設計を可能にし、シミュレーションと物理部品間の最大整合性を特徴とするマルチセットアップシステムの開発を可能にする。

関連論文リスト

• CPS-LLM: Large Language Model based Safe Usage Plan Generator for Human-in-the-Loop Human-in-the-Plant Cyber-Physical System [5.3052849646510225]
  本研究は,大規模言語モデル (LLM) を用いたヒト・イン・ザ・ループ・ヒューマン・イン・ザ・プラントのサイバー物理システムについて検討する。 LLMのコンテキスト化は比較的容易で、ドメイン固有のプランを生成することができる。 CPS-LLMは、命令チューニングフレームワークを用いて再訓練されたLCMであり、生成した計画が物理系力学と整合することを保証する。
  論文  参考訳（メタデータ） (2024-05-19T06:00:18Z)
• SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
  物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。 実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。 物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:05:19Z)
• Informal Safety Guarantees for Simulated Optimizers Through Extrapolation from Partial Simulations [0.0]
  自己教師付き学習は、最先端の言語モデリングのバックボーンである。 自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
  論文  参考訳（メタデータ） (2023-11-29T09:32:56Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems [0.0]
  サイバー物理システム(CPS)は多くの産業関連領域で発生し、しばしばミッションクリティカルまたは安全クリティカルである。 CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全か生きか)仕様が満たされているか、あるいはある価値を推定することを保証することを目的としている。
  論文  参考訳（メタデータ） (2023-07-28T08:08:27Z)
• PHYFU: Fuzzing Modern Physics Simulation Engines [12.512000967313384]
  物理シミュレーションエンジン (PSE) は、物理環境や物体をシミュレートするソフトウェアシステムである。 PHYFUは、前と後の両方のシミュレーションフェーズにおけるエラーを明らかにするために、PSE向けに設計されたファジィフレームワークである。 PSEのソフトウェアスタック全体にまたがる不正確なシミュレーション結果を生成する5K以上のエラートリガ入力をうまく発見する。
  論文  参考訳（メタデータ） (2023-07-20T12:26:50Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。