1. Вспомогательные средства картографирования с использованием отслеживания местоположения источника повышают производительность новичков в программировании киберфизических систем(arXiv)
Автор:Томас Витте, Андреа Фогт, Тина Зойферт, Маттиас Тихи
Аннотация:новичкам необходимо преодолеть начальные барьеры при программировании поведения киберфизических систем, например при программировании полетов квадрокоптера, и, таким образом, должна поддерживаться адекватно спроектированной средой программирования. Использование нескольких представлений путем включения графического предварительного просмотра является распространенным подходом к упрощению написания кода и понимания программы. Тем не менее, новички изо всех сил пытаются сопоставить информацию о коде и графическом предварительном просмотре. Предыдущие исследования подразумевают, что картографические средства в среде живого программирования могут помочь новичкам в программировании и способствовать более глубокому пониманию контента. Для реализации этих средств сопоставления независимым от домена способом можно использовать отслеживание местоположения источника на основе информации во время выполнения. В нашем исследовании мы протестировали N = 82 участников, взаимодействующих и обучающихся в онлайн-среде программирования. Используя наше межпредметное исследование дизайна 2x2, мы исследовали влияние двух вспомогательных средств картирования: выделение и динамическое связывание на правильность кодирования, включая типичные ошибки, и результаты обучения. На основе данных процесса были проанализированы успешные стратегии. Сочетание обоих картографических средств по сравнению с одним средством привело к более высокой производительности. В то время как основные моменты были более полезными для реализации миссий квадрокоптера, динамическое связывание улучшило результаты обучения на уровне понимания и применения. Следы стратегий обучения были связаны с более высокой правильностью кодирования и более высокими результатами обучения. Судя по данным процесса, пользователи в группе с обоими средствами имели больше шансов избежать некоторых типичных ошибок реализации. Внедрение динамического связывания и выделения с помощью отслеживания местоположения источника является многообещающим подходом для поддержки новичков в развитии лучшего семантического понимания предметно-ориентированного языка. В зависимости от задач кодирования могут быть эффективными различные вспомогательные средства отображения.
2. Age of View: новая метрика для оценки объединения разнородной информации в автомобильных киберфизических системах(arXiv)
Автор:Синьцао Сюй, Кай Лю, Цисэнь Чжан, Хао Цзян, Ке Сяо, Цзянтао Луо.
Аннотация: Слияние разнородной информации является одной из наиболее важных проблем для реализации автомобильных киберфизических систем (VCPS). В этой работе делается первая попытка количественного измерения качества объединения разнородной информации в VCPS путем разработки новой метрики под названием Age of View (AoV). В частности, мы выводим модель обнаружения, основанную на приоритетной очереди M/G/1 с несколькими классами, и модель передачи, основанную на теории Шеннона. На этой основе мы формально определяем AoV, моделируя своевременность, полноту и непротиворечивость объединения разнородной информации в VCPS, и формулируем задачу, направленную на минимизацию среднего AoV системы. Кроме того, для решения проблемы мы предлагаем новое решение под названием «Глубокое обучение с подкреплением на основе многоагентных различий и вознаграждений с жадным распределением полосы пропускания» (MDR-GBA). В частности, каждое транспортное средство действует как независимый агент и определяет частоты обнаружения и приоритеты загрузки разнородной информации. Между тем, придорожный блок (RSU) определяет распределение полосы пропускания между транспортным средством и инфраструктурой (V2I) для каждого транспортного средства на основе жадной схемы. Наконец, мы строим имитационную модель и сравниваем производительность предлагаемого решения с современными алгоритмами. Экспериментальные результаты убедительно демонстрируют значимость новой метрики и превосходство предложенного решения.
3.Методология проектирования детекторов глубокого отсутствия распространения в киберфизических системах реального времени(arXiv)
Автор:Майкл Юхас, Даниэль Джун Сянь Нг, Арвинд Исваран
Вывод . Когда модели машинного обучения (МО) получают данные, не входящие в их обучающее распределение, они с большей вероятностью будут давать неточные прогнозы; в киберфизической системе (CPS) это может привести к катастрофическому отказу системы. Чтобы снизить этот риск, детектор вне распределения (OOD) может работать параллельно с моделью ML и помечать входные данные, которые могут привести к нежелательным результатам. Хотя детекторы OOD были хорошо изучены с точки зрения точности, меньше внимания уделялось внедрению в CPS с ограниченными ресурсами. В этом исследовании предлагается методология проектирования для настройки детекторов глубокого OOD в соответствии с требованиями к точности и времени отклика встроенных приложений. Методология использует генетические алгоритмы для оптимизации конвейера предварительной обработки детектора и выбирает метод квантования, который уравновешивает надежность и время отклика. Он также определяет несколько графиков задач-кандидатов в операционной системе роботов (ROS) для развертывания выбранного проекта. Методология демонстрируется на двух вариационных детекторах OOD на основе автоэнкодера из литературы на двух встроенных платформах. Представлено понимание компромиссов, возникающих в процессе проектирования, и показано, что эта методология проектирования может привести к резкому сокращению времени отклика по сравнению с неоптимизированным детектором OOD при сохранении сопоставимой точности.
