arXiv cs.AI· Muhammad Ashfaq, Ahmed R. Sadik, Ewan Warburton, Pyry Kotilainen, Niko M\"akitalo, Tommi Mikkonen·· 1 天前AI 评分34
SafeOrchestrate：面向信息物理系统的运行时校验意图驱动编排架构
SafeOrchestrate: Runtime Checked Intent-Driven Orchestration for Cyber-Physical Systems
AI 导读
SafeOrchestrate 提出一种运行时校验的意图驱动 CPS 编排参考架构，将自然语言意图拆解为原子目标并生成可校验规范，再经 MCP 暴露的 TD 能力落地，用 SMT 护栏在执行前校验每个候选动作。
正文 · AI 翻译
摘要：现代信息物理系统（CPS）集成了异构的传感器、执行器、控制器和服务，这些组件在运行时而非设计时组合。通过自然语言（NL）编排此类系统具有吸引力，但不受约束的大语言模型（LLM）工具使用存在风险，因为动作必须遵守设备能力、运行时状态和安全约束。我们提出 Safe Orchestrate，一种用于运行时检查、意图驱动的 CPS 编排的参考架构。给定一个自然语言意图，它推导出原子目标，为每个目标生成可在运行时检查的规范，将规范落地到设备可供性上，并在执行前根据运行时状态和安全约束验证每个候选动作。在 Web of Things（WoT）实例化中，该架构从自然语言意图生成线性时序逻辑（LTL）风格的规范，将其落地到通过模型上下文协议（MCP）暴露的物描述（TD）可供性上，并根据可满足性模理论（SMT）支持的护栏检查候选动作。我们在模拟的智能家居、温室和工业自动化任务上，将该实例化与直接的 LLM 到 MCP 基线进行对比评估。Safe Orchestrate 在每个任务上保持 100% 的必需动作准确率，并在除一个任务外的所有任务上保持 100% 的 MCP 执行相似度（MCP ES），该任务的 MCP ES 为 92%。相比之下，基线在多设备、事件触发和有序任务上性能下降，MCP ES 降至 13%。这些结果表明，将基于 LLM 的规范生成与角色感知落地和运行时约束检查相结合，无需丰富的 TD 注释或规划领域专业知识，即可提高开放 CPS 编排的可靠性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.09364 [cs.AI] |
| （或 arXiv:2611.09364v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2611.09364 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ahmed R. Sadik Dr.-Ing. [查看电子邮件]
[v1]
2026年11月6日星期五 12:03:02 UTC（123 KB）
[v2]
2026年11月11日星期三 08:55:00 UTC（125 KB）
来源：arXiv cs.AI · arxiv.org