面向 HCPS 的模型学习：调整自动化水平

人类中心系统中自动化水平的不断提升，要求对人类与自动化组件之间的交互进行严格的设计方法，尤其是在安全关键应用中。人类行为的多样性为形式化验证与合成带来了特定挑战。我们提出一种基于模型的框架，支持在人类-自动化系统中进行安全共享控制策略的设计时探索。该方法将主动自动机学习——从仿真中推导出人类行为的粗糙、有限状态抽象——与博弈论响应合成相结合，用以确定控制器在与这些模型交互时是否能保证安全。如果不存在此类策略，框架将支持对人类模型进行迭代细化或调整自动化的可控动作。一个驾驶案例研究在 UPPAAL 中集成了自动机学习与响应合成，展示了该框架在简化驾驶情景下的适用性，以及其在人类中心赛博物理系统中分析共享控制策略的潜力。