.png){kind=icon}
返回
Correcting and Optimizing AICODE-Generated Aeronautical Control Code via a Knowledge Graph-Based Mechanism
.png){kind=icon}
PRE
AI
DOI：10.1142/S1469026826500124.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能代码生成（AICODE）技术具有显著提升软件开发效率的潜力。然而，在应用于航空控制等安全关键领域时，生成的代码常因缺乏领域知识而出现逻辑缺陷和合规风险。为解决此问题，本文提出并实现了一种基于知识图谱（KG）的后处理原型机制，专门用于自动修正和优化AICODE生成的航空控制代码。该机制首先为典型无人机姿态与导航控制任务构建航空控制知识图谱（ACKG），整合飞行控制原理、适航标准子集条款及历史缺陷数据。此ACKG集成于包含静态分析和仿真验证工具的原型系统中。接收AICODE生成的代码后，机制利用ACKG进行语义级错误检测和缺陷追踪，并驱动AICODE生成针对性修复方案。随后基于ACKG中的性能模型和优化策略，迭代优化功能正确的代码。对两个典型控制模块（PID姿态环和EKF导航器）的案例研究表明，在给定数据集和实验设置下，原型系统将初始代码的仿真通过率从68.5%提升至99.1%，缺陷检测率达96.4%，关键模块性能平均提升约18.5%。需强调的是，主要创新在于将该集成框架应用于AICODE生成的飞行控制软件特定领域，且结果基于小规模案例研究。本工作为概念验证，所提机制应被视为开发与仿真辅助工具，而非符合DO-178C等标准的认证工具。从研究角度看，该工作验证了“知识图谱+大模型”协同方法保障AICODE生成代码质量的可行性与应用潜力。
Keyword:
Knowledge graph
code correction and optimization
AICODE
aeronautical control
automated program repair
safety-critical systems
large language models
DO-178C
期刊
I
IF:
1.3
论文数:
38
被引数:
0
机构
暂无机构信息
引用论文
暂无论文信息