論文の概要: Exploration of Approaches for Robustness and Safety in a Low Code Open Environment for Factory Automation

• arxiv url: http://arxiv.org/abs/2504.04224v1
• Date: Sat, 05 Apr 2025 16:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 05:10:48.851001
• Title: Exploration of Approaches for Robustness and Safety in a Low Code Open Environment for Factory Automation
• Title（参考訳）: 工場自動化のためのローコードオープン環境におけるロバストネスと安全対策の探索
• Authors: Gustavo Quiros A., Yi Peng Zhu, Tao Cui, Shaokai Lin, Marten Lohstroh, Edward A. Lee,
• Abstract要約: このレポートは、著者と追加のコントリビュータによって作成された技術知識と概念のまとめです。 これらのプロジェクトの主な目的はシーメンスオープンインダストリアルエッジ(OIE)のエンジニアリング能力を評価することである。
• 参考スコア（独自算出の注目度）: 1.6879396885076103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report is a compilation of technical knowledge and concepts that were produced by the authors and additional contributors in the context of the collaboration projects "Abstraction Requirements for Language of Choice in Industrial Automation" (FY21-22) and "Approaches for Robust and Safe Low-Code" (FY23-24) from Siemens Technology and the University of California, Berkeley. The primary objective of these projects was to assess Siemens Open Industrial Edge (OIE) engineering capabilities by defining a concept that ensures the satisfaction of coordination and safety requirements when using disparate OIE modules. The objective was to use the Lingua Franca (LF) coordination language to demonstrate how to address challenges in: 1. engineering modular, distributed, and flexible automation solutions that ensure, by design, robust and safe operation1; 2. the use of IEC 61499, the event driven execution model for specifying the execution order of OIE modules (defined as function blocks); 3. support large-scale distributed OIE automation solutions, and eventually 4. define optimal solutions with synchronization and time-optimal mechanisms.
• Abstract（参考訳）: 本報告は、Siemens Technologyとカリフォルニア大学バークレー校のコラボレーションプロジェクト "Abstraction Requirements for Language of Choice in Industrial Automation" (FY21-22) と "Approaches for Robust and Safe Low-Code" (FY23-24) のコンテキストにおいて、著者と追加のコントリビュータによって作成された技術知識と概念のまとめである。 これらのプロジェクトの主な目的は、異なるOIEモジュールを使用する際の調整と安全要件の満足を確実にする概念を定義することで、シーメンスオープンインダストリアルエッジ(OIE)エンジニアリング能力を評価することである。 目的は、Lingua Franca(LF)コーディネーション言語を使用して、次のような課題に対処する方法を実証することであった。 1. 設計、堅牢かつ安全な操作を確実にする、モジュラー、分散、フレキシブルな自動化ソリューション。 2. IEC 61499は、OIEモジュールの実行順序を指定するイベント駆動実行モデルである(関数ブロックとして定義される)。 3. 大規模分散OIE自動化ソリューションをサポートし、最終的には 4. 同期と時間-最適メカニズムによる最適解を定義する。

関連論文リスト

• Building AI Coding Agents for the Terminal: Scaffolding, Harness, Context Engineering, and Lessons Learned [9.127884945730019]
  この新しいパラダイムに特化して設計された,オープンソースのコマンドラインコーディングエージェントであるOPENDEVについて紹介する。 ワークロード特化モデルルーティングを備えた複合AIシステムアーキテクチャを通じて、これらの課題を克服する。 自動記憶システムを使用して、セッション間でプロジェクト固有の知識を蓄積し、命令フェードアウトに対処する。
  論文  参考訳（メタデータ） (2026-03-05T16:21:08Z)
• Generative AI in Systems Engineering: A Framework for Risk Assessment of Large Language Models [0.8062120534124607]
  LLM(Large Language Models)の利用の増加は、エンジニアリングライフサイクル全体にわたって大きなチャンスをもたらします。 本稿では,システム工学環境におけるLLMの適用性を評価するための構造化アプローチであるLLM Risk Assessment Framework(LRF)を紹介する。
  論文  参考訳（メタデータ） (2026-02-04T09:30:11Z)
• Report for NSF Workshop on AI for Electronic Design Automation [56.48556959103223]
  本報告は、電子設計自動化のためのAIワークショップ(NSF Workshop on AI for Electronic Design Automation, EDA)の議論とレコメンデーションを精査するものである。 機械学習とEDAを専門とするワークショップでは、AIが拡張する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックメソッドなどについて調査した。 報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。
  論文  参考訳（メタデータ） (2026-01-20T23:45:40Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• LLM-Empowered Functional Safety and Security by Design in Automotive Systems [27.082302648704708]
  本稿では,セキュリティを意識したシステムトポロジ設計の側面と,イベント駆動意思決定コード解析について述べる。 コード分析には、機能安全性の体系的検証のための正式な基盤を提供するイベントチェーンモデルを採用しています。 トポロジーのセキュリティ面の分析は、モデル駆動工学(MDE)アプローチとオブジェクト制約言語(OCL)ルールとのシナジーに依存している。
  論文  参考訳（メタデータ） (2026-01-05T15:37:08Z)
• OmniEVA: Embodied Versatile Planner via Task-Adaptive 3D-Grounded and Embodiment-aware Reasoning [50.45036742963495]
  我々は,先進的な具体的推論とタスクプランニングを可能にする,多元的多元的プランナーであるOmniEVAを紹介する。 Task-Adaptive 3D Groundingメカニズムは、様々な実施タスクに対してコンテキスト対応の3Dグラウンドを可能にする。 Embodiment-Aware Reasoningフレームワークは、タスクの目標と実施制約を推論ループに組み込む。
  論文  参考訳（メタデータ） (2025-09-11T10:32:22Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• Agentic AI for Intent-Based Industrial Automation [0.6906005491572401]
  この研究は、エージェントAIとインテントベースのパラダイムを統合する概念的フレームワークを提案する。 このフレームワークは意図に基づく処理に基づいて、人間のオペレーターが自然言語でハイレベルなビジネスや運用目標を表現できるようにする。 CMAPSSデータセットとGoogle Agent Developer Kit (ADK)を使って概念実証を行った。
  論文  参考訳（メタデータ） (2025-06-05T12:50:54Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
  本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。 このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。 完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
  論文  参考訳（メタデータ） (2025-04-20T16:57:45Z)
• Automatic MILP Model Construction for Multi-Robot Task Allocation and Scheduling Based on Large Language Models [13.960259962694126]
  既存の手法は、動的な生産制約に適応する際の課題に直面します。 企業には 生産スケジュールデータに対する 高いプライバシ要件があります 本研究では,知識強化型混合整数線形時間(MILP)自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-18T01:45:19Z)
• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Towards an Approach to Pattern-based Domain-Specific Requirements Engineering [0.0]
  本稿では,機能要件と性能要件の仕様化のためのパターンベースドメイン固有要求工学手法を提案する。 このアプローチは、アカデミックと産業のコラボレーションから生まれ、ドメイン知識を分析可能なアプローチを策定する最初の試みです。 まず、パターンベースのドメイン固有要件エンジニアリングのソリューションと、品質保証技術へのその模範的な統合を提示します。
  論文  参考訳（メタデータ） (2024-04-26T11:38:55Z)
• Concept-Guided LLM Agents for Human-AI Safety Codesign [6.603483691167379]
  ジェネレーティブAIは、安全工学を含むソフトウェア工学においてますます重要になっている。 ソフトウェアシステムの複雑さと安全性を効果的に解決できる、より高度で高度なアプローチを開発することが重要です。 安全解析やヒューマンAI符号設計に大規模言語モデルを活用するための,効率的かつハイブリッドな戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-03T11:37:01Z)
• Engineering Safety Requirements for Autonomous Driving with Large Language Models [0.6699222582814232]
  大きな言語モデル(LLM)は、更新毎に要求を自動的に精錬し、分解する上で重要な役割を果たす。 本研究では、アイテム定義を受信し、安全要件の形でソリューションを出力するプロンプトとLCMのパイプラインのプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-03-24T20:40:51Z)
• HasTEE+ : Confidential Cloud Computing and Analytics with Haskell [50.994023665559496]
  信頼性コンピューティングは、Trusted Execution Environments(TEEs)と呼ばれる特別なハードウェア隔離ユニットを使用して、コテナントクラウドデプロイメントにおける機密コードとデータの保護を可能にする。 低レベルのC/C++ベースのツールチェーンを提供するTEEは、固有のメモリ安全性の脆弱性の影響を受けやすく、明示的で暗黙的な情報フローのリークを監視するための言語構造が欠如している。 私たちは、Haskellに埋め込まれたドメイン固有言語(cla)であるHasTEE+を使って、上記の問題に対処します。
  論文  参考訳（メタデータ） (2024-01-17T00:56:23Z)
• VEDLIoT -- Next generation accelerated AIoT systems and applications [4.964750143168832]
  VEDLIoTプロジェクトは、分散人工知能(AIoT)アプリケーションのためのエネルギー効率のよいディープラーニング方法論の開発を目指している。 我々は,AIoTシステムに固有の安全性とセキュリティ問題に対処しながら,アルゴリズムの最適化に重点を置いた総合的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:35:00Z)
• Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
  本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。 我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。 ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
  論文  参考訳（メタデータ） (2021-06-03T16:45:40Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。