标签
这篇arXiv论文提出了一种概念框架，利用“影响”的概念迭代优化仿真活动，提升对信息物理系统中环境中介交互的理解，并通过一个移动机器人的Simulink/Gazebo联合仿真案例研究进行了演示。
TRACE是一个新的多层基准，用于诊断人类-AI控制器协调中的漂移和故障，基于ALFRED轨迹构建，包含1,918个漂移样本，标注了五个执行层。基线结果表明，在经典、循环和基于注意力的模型家族中，漂移识别和归因均远高于随机基线。
本文介绍了Internet of Agentic Things (IoAT)，一种框架，其中网络化AI代理感知物理环境、推理用户意图并以闭环方式编排物联网设备。它连接物理IoT、边缘/雾计算和云层，实现网络物理系统的自主协调。
本文提出了一种机器学习代理模型，用于预测相互依赖的电力与通信网络中的组件关键性，该模型与高保真模拟器具有高度相关性，同时计算效率高。
本文介绍了一种神经代理控制框架，该框架将一个基于LLM的规划器（Gemini 2.5 Flash-Lite）与一个预训练的时间序列基础模型（TimesFM）相结合，用于工业物联网中基于物理的自主防御。一种反事实物理注入机制确保仅执行安全、非幻觉的动作，在SWaT数据集上实现了零无效动作，并且比LSTM和TCN基线具有更好的入侵预防效果。
本文介绍了一种用于多模态信息物理系统异常检测的联合潜在聚类方法，将正常行为建模为潜在空间中的高斯混合模型，并提出了一个公平的评估协议。在三个真实世界的CPS数据集上，该方法取得了最先进的成果，尤其是在困难子集上表现优异。
本文提出了一种受物理学启发的框架，用于网络物理物联网系统中的结构归因。该框架采用基于无向能量的表示方法，无需有向因果图即可提供考虑依赖关系的解释。在工业物联网测试平台上的实验表明，与现有基于图的方法相比，该框架在归因准确性、鲁棒性和可扩展性方面均表现更优。
本文介绍了EntropyRuntime，一个用于单/多智能体LLM驱动及机器人智能体的离散时间控制系统，采用五个执行档位，配备效用门控调度和事件驱动回退，以确保安全、稳定和连续性。它提供了形式化证明，并在一个三智能体UR5机器人装配单元上进行评估，实现了99.6%的异常检测率。
本文提出了一种产品感知自编码器，用于多产品信息物理系统中的鲁棒异常检测，解决了全局模型的盲点问题。在压力测试中，该方法展示了相比基线更高的检测准确率。