DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines

Resumen Técnico: Colocación Dinámica de Tareas Consciente de la Calidad de Servicio (QoS) Basada en DAG para Pipelines de Control Multi-etapa en Red

1. Planteamiento del Problema

La integración de la Inteligencia Física (PAI) en la robótica industrial, particularmente a través de modelos Visión-Lenguaje-Acción (VLA) y Modelos Fundacionales del Mundo (WFMs), ha generado una incompatibilidad computacional. Estos modelos exigen costos de inferencia que superan las capacidades a bordo de los robots industriales típicos, mientras que sus latencias de arranque en frío inferiores a 20 segundos son incompatibles con los plazos de entrega inferiores al milisegundo requeridos para el control de bucle cerrado.

Las estrategias de despliegue existentes enfrentan limitaciones significativas:

• Ejecución Local Monolítica: Ejecutar todas las etapas (sensado, percepción, planificación, control) en el robot satura el hardware acelerado por IA, lo que conduce a altas tasas de violación de plazos (reportadas empíricamente por encima del 40% en bancos de prueba).
• Descarga Estática al Borde: La descarga permanente de tareas a servidores de borde expone el bucle de control a la variabilidad de la latencia y la fluctuación de la red (jitter), lo que puede violar los márgenes de seguridad.
• Colocación Adaptativa Actual (ATP): Los controladores adaptativos existentes suelen reubicar únicamente una única etapa del pipeline basándose en reglas de umbral binario. Carecen de un modelo formal multi-etapa, no optimizan una función de costo multiobjetivo y no ofrecen resistencia analítica a la oscilación de la colocación de tareas (chatter).

El desafío central es diseñar una capa de orquestación en tiempo de ejecución que coloque dinámicamente pipelines de control multi-etapa a través de un continuo Nube-Borde-Dispositivo, respetando los presupuestos de tiempo de bucle cerrado y asegurando la estabilidad.

2. Metodología

Los autores proponen un marco de Colocación Dinámica de Tareas (DTP) Consciente de la Calidad de Servicio (QoS) basado en Grafos Acíclicos Dirigidos (DAG).

A. Modelado del Sistema

• Pipeline como DAG: El pipeline de sensado–percepción–planificación–control se formaliza como un DAG $G=(V, E_G)$ con cuatro tareas ($T_1$ a $T_4$).
• Invariantes Arquitectónicos:
  • Etapa Ancladas Rígidas: El sensado ($T_1$) y el control ($T_4$) están fijos al hardware físico del robot ($R_1$ y $R_2$) para preservar los bucles de reflejo locales sub-milisegundo.
  • Espacio de Adaptación Reubicable: La percepción ($T_2$) y la planificación ($T_3$) pueden migrar entre el robot y un servidor de borde ($E$).
• Fábrica de Computación: El sistema considera un conjunto de nodos $N = R \cup E \cup C$, interconectados por redes industriales de tiempo real (LAN, TSN o 5G-URLLC).

B. Función de Costo Consciente de QoS
El marco opera sobre ventanas de observación de $W$ ciclos de control. Define una función de costo multiobjetivo $J_k$ para la ventana $k$:
$$J_k = \alpha_L \tilde{L}_{95,k} + \alpha_V VD_k + \alpha_r \tilde{U}_{r,k} + \alpha_e \tilde{U}_{e,k} + \alpha_S S(\pi_k, \pi_{k-1})$$

• Métricas:
  • $\tilde{L}_{95,k}$: Latencia de extremo a extremo normalizada del percentil 95 (capturando el comportamiento de la cola).
  • $VD_k$: Tasa de violación de plazos (SLA principal).
  • $\tilde{U}_{r,k}, \tilde{U}_{e,k}$: Utilización de CPU normalizada en robots y servidores de borde.
• Penalización por Cambio: El término $S(\pi_k, \pi_{k-1})$ utiliza la distancia de Hamming para penalizar las migraciones frecuentes, evitando el "chatter de colocación" que degrada la estabilidad de la red.
• Pesos: En entornos industriales, los pesos priorizan el cumplimiento del SLA ($\alpha_V$) sobre la latencia bruta ($\alpha_L$) y la estabilidad ($\alpha_S$).

C. Algoritmo y Restricciones

• Conjunto de Candidatos: Para garantizar la tratabilidad en hardware de borde, el algoritmo evalúa un conjunto pequeño e interpretable de colocaciones $\Pi_{cand}$:
  • LOC: Completamente local ($T_2, T_3$ en robots).
  • SO: Descarga estática ($T_2, T_3$ en Borde).
  • HYB: Híbrido ($T_2$ en Borde, $T_3$ en Robot).
• Mecanismo de Histéresis: El algoritmo DTP (Algoritmo 1) impone estabilidad mediante:
  • Tiempo Mínimo de Permanencia ($N_{min}$): Evita el cambio rápido cuando las métricas fluctúan cerca de los umbrales.
  • Umbral de Mejora de Costo ($\Delta_{min}$): La migración ocurre solo si la reducción de costos es estadísticamente significativa.
• Estimación: Para colocaciones no activas, el sistema estima las métricas de QoS utilizando perfilado estático, emulación en línea (enrutando una fracción de ciclos) o escalado conservador.

3. Contribuciones Clave

1. Modelo Formal DAG: Un modelo de pipeline que distingue las etapas críticas de seguridad ancladas rígidas de un espacio de adaptación reubicable, agnóstico al sustrato de red subyacente.
2. Función de Costo Multiobjetivo: Una función basada en ventanas que optimiza conjuntamente la latencia de cola, las tasas de violación de plazos, la utilización de hardware y la estabilidad de la migración.
3. Algoritmo DTP Estabilizado: Un algoritmo que generaliza la colocación adaptativa de una sola etapa anterior a la colocación concurrente de múltiples tareas, incorporando histéresis y penalizaciones por cambio para acotar la oscilación.
4. Hoja de Ruta de Validación: Un plan estructurado en dos fases que involucra simulación de eventos discretos y pruebas de Hardware-en-Bucle (HIL) en bancos de prueba robóticos físicos.

4. Resultados y Estrategia de Validación

Como artículo en desarrollo (WiP), los autores presentan un marco teórico y un análisis cualitativo en lugar de resultados empíricos finales.

• Análisis Cualitativo: Los autores predicen que la política DTP convergerá a LOC bajo condiciones adversas de red (alta fluctuación), a SO bajo estrés de CPU del robot, y a HYB cuando los recursos de computación y comunicación estén conjuntamente restringidos.
• Hoja de Ruta de Validación:
  • Fase 1 (Simulación): Un simulador de eventos discretos probará la sensibilidad de la función de costo y los límites de histéresis frente a escenarios de estrés (ej. inyección de fallos de red gaussiana, estrés de CPU).
  • Fase 2 (HIL): Un banco de prueba modular nube-borde-robótica proporcionará datos empíricos sobre perfiles de computación y retardos de red para comparar el DTP DAG-QoS propuesto contra las líneas base LOC, SO y ATP de una sola etapa.

5. Significado y Afirmaciones

El artículo afirma abordar la brecha de co-diseño "Control–Comunicación–Computación (3C)" en la automatización industrial. Su importancia radica en:

• Determinismo en Tiempo de Ejecución: Al anclar $T_1$ y $T_4$, el marco desacopla la seguridad de la actuación del estado de la red, preservando los bucles de reflejo sub-milisegundo.
• Adaptabilidad: El espacio reubicable acomoda demandas de computación heterogéneas (incluyendo cargas de trabajo emergentes de VLA/LLM) sin sobrecargar el hardware ni codificar decisiones de forma rígida.
• Garantía de Estabilidad: La penalización por cambio basada en distancia de Hamming proporciona una garantía matemáticamente acotada contra el chatter de colocación, traducida en estabilidad observable del bucle de control.
• Madurez Industrial: Los autores argumentan que un sistema no puede afirmar creíblemente la madurez de la Industria 4.0 o la preparación para la automatización agéntica de la Industria 5.0 si no puede garantizar una tasa de violación de plazos ($VD$) de $\le 5\%$ en todo el envelope de despliegue.

El marco se posiciona como una "infraestructura de tiempo de ejecución" fundamental o "Sistema Nervioso PAI" que permite que los agentes LLM y los modelos VLA operen de manera fiable bajo la variabilidad real de computación y red. Se planea trabajo futuro para expandir el conjunto de colocaciones candidatas, soportar flotas de múltiples robots e integrar la adaptación de hiperparámetros en línea.