用于信息物理系统自适应控制的深度神经程序
人工智能
2015-02-16 v1 机器人学
摘要
我们提出了深度神经程序（DNP），一种用于编写信息物理系统（CPS）自适应控制器的新型编程范式。DNP 用其平滑的神经 nif 和 nwhile 对应物替代 if 和 while 语句，这些语句的不连续性导致了 CPS 分析中的不可判定性、CPS 设计中的难处理性以及 CPS 实现中的脆弱性。这不仅使 CPS 分析可判定、CPS 设计易处理，还允许编写鲁棒且自适应的 CPS 代码。在 DNP 中，nif 和 nwhile 语句的 sigmoid 守卫之间的联系必须表示为高斯贝叶斯网络，这反映了 CPS 程序对其环境的部分知识。据我们所知，DNP 是首个将神经网络与程序关联起来的方法，且明确给出了网络的含义。为了证明和验证 DNP 的实用性，我们使用它们来编写并学习一个用于我们 CPS 实验室中 Pioneer rovers 平行泊车的自适应 CPS 控制器。
引用
@article{arxiv.1502.04013,
title = {Deep Neural Programs for Adaptive Control in Cyber-Physical Systems},
author = {Konstantin Selyunin and Denise Ratasich and Ezio Bartocci and Radu Grosu},
journal= {arXiv preprint arXiv:1502.04013},
year = {2015}
}