Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction

Resumen Técnico: Recuperación de Arquitectura Asistida por LLM para Sistemas ROS 2 del Mundo Real

Enunciado del Problema
Los modelos explícitos de arquitectura de software son críticos para analizar y evolucionar sistemas complejos, sin embargo, a menudo están ausentes, desactualizados o son inconsistentes en proyectos de software de larga duración. Este problema es particularmente agudo en sistemas ciberfísicos distribuidos basados en el Robot Operating System 2 (ROS 2). En ROS 2, la composición estructural jerárquica y las semánticas de integración suelen codificarse implícitamente en artefactos dispersos, incluidos el código fuente, archivos de compilación, archivos de lanzamiento y archivos de parámetros. A diferencia de los sistemas tradicionales, las instancias de nodos de tiempo de ejecución de ROS 2, los espacios de nombres, las reasignaciones y las composiciones inducidas por el lanzamiento rara vez se mantienen en un modelo arquitectónico completo.

Los enfoques de recuperación existentes se centran principalmente en entidades a nivel de nodo y cableado de comunicación, ofreciendo un soporte limitado para recuperar la composición (des-)estructural jerárquica a través de múltiples niveles de abstracción. Si bien los Modelos de Lenguaje Grande (LLM) muestran promesa al inferir relaciones semánticas a partir de artefactos heterogéneos, la recuperación basada en LLM sin restricciones corre el riesgo de producir elementos alucinados, incompletos o sin soporte estructural debido a la falta de guía arquitectónica específica del sistema. Un trabajo anterior de los autores demostró que un enfoque guiado por planos podía restringir la síntesis de LLM, pero mostró una disminución en la recuperación en repositorios con composición compleja inducida por lanzamiento y semánticas de integración distribuida.

Metodología
Este artículo presenta un enfoque mejorado, basado en agentes y multinivel, para la reconstrucción de arquitectura estructural jerárquica para sistemas ROS 2. La metodología conserva el concepto de modelado basado en UML del trabajo anterior de los autores, pero refina el proceso de recuperación mediante una estrategia por etapas que introduce artefactos intermedios explícitos para guiar la síntesis de LLM.

La tubería propuesta opera en tres etapas distintas:

1. Identificación de Nodos Atómicos (NodeAnalyzer):
   El proceso comienza con una extracción determinista de definiciones de nodos ROS 2 atómicos desde archivos fuente. El agente NodeAnalyzer produce un artefacto JSON estructurado titulado "Lista de Nodos ROS Atómicos". Este artefacto agrega evidencia de código fuente a nivel de repositorio en un inventario unificado, registrando la identidad del nodo, la propiedad del origen, el lenguaje de implementación (Python/C++) y los puntos de entrada de ejecución. Esto sirve como un índice a nivel de fuente para las etapas posteriores.

2. Análisis de Dependencias de Lanzamiento (LaunchFileAnalyzer):
   Antes de la síntesis a nivel de sistema, el agente LaunchFileAnalyzer genera una "Descripción de Dependencia de Archivo de Lanzamiento" (JSON). Este artefacto modela explícitamente la organización en tiempo de lanzamiento, incluyendo:

   • Cadenas de inclusión de archivos de lanzamiento.
   • Instanciaciones directas de nodos.
   • Ámbitos de espacios de nombres y relaciones de reasignación.
   • Instancias de nodos en tiempo de ejecución (distinguiendo entre definiciones de origen y sus configuraciones en tiempo de ejecución).
     Este paso separa las definiciones a nivel de fuente de las instancias a nivel de sistema, fijando las identidades y dependencias de los nodos antes de la síntesis final.

3. Síntesis Guiada por Planos por Etapas:
   La etapa final emplea un agente SystemArchitectureConstructor. A diferencia de enfoques anteriores que sintetizaban subsistemas directamente desde artefactos crudos, este agente utiliza un contrato de prompt refinado. El prompt es una plantilla reutilizable que incrusta la "Lista de Nodos ROS Atómicos" y la "Descripción de Dependencia de Archivo de Lanzamiento" como contexto estructurado.

   • Ingeniería de Prompts: El prompt define el rol del agente, los objetivos, la historia de fondo y la salida esperada, restringiendo estrictamente la síntesis a la evidencia proporcionada.
   • Síntesis: El agente alinea el contexto en tiempo de ejecución (desde la descripción de dependencias) con las definiciones a nivel de fuente (desde la lista de nodos) y las interfaces a nivel de componente para generar un modelo de arquitectura compuesto final en PlantUML.
   • Validación: La salida se valida contra el plano basado en UML, que define el vocabulario arquitectónico objetivo (por ejemplo, AtomicRosNodeClassifier, ComposedRosNodeClassifier, RosNodePart) y las restricciones estructurales.

Contribuciones Clave

• Estrategia de Recuperación por Etapas: La introducción de artefactos intermedios explícitos (listas de nodos basadas en JSON y descripciones de dependencias de lanzamiento) que desacoplan el análisis a nivel de fuente del análisis de composición en tiempo de ejecución. Esto reduce la ambigüedad semántica y mejora la controlabilidad de la síntesis asistida por LLM.
• Contratos de Prompt Refinados: Un mecanismo de prompting estructurado que integra artefactos intermedios directamente en el contexto del LLM, asegurando que la arquitectura generada se base en evidencia específica del repositorio en lugar de conocimiento general.
• Reconstrucción Multinivel: El enfoque reconstruye con éxito la arquitectura a través de dos niveles de abstracción:
  • Nivel Atómico: Definiciones a nivel de implementación de nodos individuales.
  • Nivel Compuesto: Jerarquías de subsistemas inducidas por lanzamiento, incluyendo propagación de espacios de nombres y reasignación.

Evaluación Experimental
El enfoque se evaluó en el estudio de caso BrickByBrick, un sistema real de desensamblaje automatizado de productos que cuenta con brazos robóticos cooperativos, artefactos ROS 2 heterogéneos y dominios funcionales complejos (visión por computadora, planificación de movimiento, interfaz de hardware). El sistema comprende aproximadamente 1.500 líneas de código Python distribuidas en 4 paquetes, 10 clases de nodos y 1 archivo de lanzamiento.

La evaluación comparó los modelos PlantUML recuperados contra un modelo de referencia construido manualmente utilizando precisión, recuperación y puntuaciones F1 a través de elementos específicos de métricas arquitectónicas (por ejemplo, nombres de clasificadores, tipos de mensajes, tipos de servicio).

• Resultados a Nivel Atómico: La recuperación de elementos AtomicRosNodeClassifier (ACD) logró puntuaciones perfectas: Precisión = 1.0, Recuperación = 1.0, F1 = 1.0. Esto indica que el proceso refinado conserva capacidades sólidas de recuperación a nivel de implementación.
• Resultados a Nivel Compuesto: La recuperación de elementos ComposedClassifierDiagram (CCD), que representan la composición de subsistemas, logró Precisión = 1.0, Recuperación = 0.95 y F1 = 0.98.
  • La precisión perfecta sugiere que todos los elementos generados a nivel de sistema están estructuralmente respaldados por evidencia del repositorio.
  • La pequeña brecha en la recuperación (0.95) indica un pequeño número de relaciones de composición inducidas por lanzamiento faltantes, destacando que la reconstrucción completa de las semánticas de integración sigue siendo un desafío cuando los límites se codifican implícitamente.

Significado y Afirmaciones
El artículo afirma que el enfoque propuesto, guiado por planos y por etapas, mejora significativamente la consistencia estructural, la escalabilidad y la robustez de la recuperación de arquitectura en comparación con los métodos de síntesis directa anteriores. Al hacer explícita la evidencia de recuperación intermedia, el enfoque reduce el riesgo de alucinación y mejora la trazabilidad desde los artefactos de implementación hasta los modelos arquitectónicos.

Los autores concluyen modestamente que, si bien el método recupera con éxito representaciones arquitectónicas de alta fidelidad a partir de artefactos ROS 2 heterogéneos, persisten desafíos respecto a la reconstrucción completa de la composición compleja inducida por lanzamiento y las semánticas de integración dinámica. Se identifica que el trabajo futuro se centrará en formalizar el concepto de modelado en un perfil UML más explícito, extender el soporte para constructos de lanzamiento complejos (propagación de espacios de nombres, reasignación) e incorporar evidencia conductual o en tiempo de ejecución para complementar la recuperación estática.