IDDMBSE: Integrating Data-Driven and Model-Based Systems Engineering for Trusted Autonomous Cyber-Physical Systems

Resumen Técnico: IDDMBSE – Integración de la Ingeniería de Sistemas Basada en Datos y Basada en Modelos

Declaración del Problema
Los Sistemas Ciberfísicos (CPS) autónomos dependen cada vez más de arquitecturas híbridas que entrelazan componentes tradicionales basados en modelos (cinemática, planificadores, controladores) con componentes de Aprendizaje Automático e Inteligencia Artificial (ML/AI) basados en datos (redes de percepción, políticas aprendidas). Si bien la Ingeniería de Sistemas Basada en Modelos (MBSE) proporciona un marco riguroso para el diseño de sistemas complejos, carece de metodologías nativas para dar cabida a los componentes basados en datos. Por el contrario, el ML/AI ofrece potentes capacidades de inferencia, pero a menudo opera como una "caja negra" dentro del sistema, careciendo de una trazabilidad formal con los requisitos. Las prácticas industriales actuales suelen tratar los subsistemas de ML/AI como cajas negras integradas de forma retroactiva en estructuras basadas en modelos, lo que resulta en sistemas frágiles, ciclos de diseño lentos y argumentos de certificación débiles. Existe una brecha crítica en la metodología de la Ingeniería de Sistemas (SE) que abarque de forma nativa tanto el proceso en V riguroso y trazable de la MBSE como la naturaleza empírica y basada en datos de las modernas pilas de autonomía.

Metodología: IDDMBSE
El artículo propone IDDMBSE (Ingeniería de Sistemas Integrada Basada en Datos y Basada en Modelos), una metodología que extiende el proceso en V estándar de la MBSE mediante la superposición de un bucle basado en datos en cada paso. El enfoque se fundamenta en SysML como la representación central y trata la pila de autonomía (autonomy stack) como un elemento arquitectónico de primera clase en lugar de una carga útil opaca.

La metodología está impulsada por un repositorio de requisitos, asegurando que los esfuerzos basados en datos se desplieguen solo donde los modelos de primeros principios son insuficientes para garantizar la satisfacción de los requisitos. El marco integra tres extensiones estructurales:

1. Aumentación Basada en Datos: Cada paso del proceso en V (estructura, comportamiento, mapeo, requisitos, compensación, verificación) es aumentado por componentes de ML/AI, sus datos de entrenamiento y perfiles de incertidumbre.
2. Modelado de la Pila de Autonomía: La pila de percepción-planificación-control se modela como un bloque SysML con puertos estructurales, de comportamiento y paramétricos que se vinculan directamente con implementaciones ejecutables (por ejemplo, ROS 2).
3. Arquitectura de Compensación Híbrida: La exploración del espacio de diseño combina la optimización basada en modelos (para componentes tratables) con la evaluación basada en datos (para componentes aprendidos).

Contribuciones Clave: La Cadena de Herramientas
La metodología se instancia como una cadena de herramientas interoperable y de código abierto compuesta por tres herramientas principales, todas ellas acopladas a través de un núcleo de modelado SysML compartido:

1. PERFECT (PERFormance Evaluation Composable Tool-suite):

   • Función: Mapea las arquitecturas de sistemas SysML a pilas de autonomía ROS 2 ejecutables para la evaluación escalable del rendimiento.
   • Mecanismo: Expone un perfil de SysML que vincula los bloques del sistema con los nodos y parámetros de ROS 2. PERFECT sintetiza configuraciones de lanzamiento, distribuye trabajos de simulación a través de un grupo de cómputo (usando Isaac Sim o Gazebo) y agrega los resultados de vuelta al modelo paramétrico de SysML.
   • Innovación: A diferencia de las suites de benchmarking estándar, PERFECT mantiene un "hilo digital" donde las configuraciones de los experimentos se derivan de y retroalimentan al modelo SysML, asegurando la trazabilidad entre la arquitectura y la medición.

2. TRADES-X (TRadeoff Analysis and DEsign Space Exploration):

   • Función: Realiza la exploración del espacio de diseño híbrido, basado en modelos y basado en datos.
   • Mecanismo: Descompone el espacio de diseño en dos etapas:
     • Optimización Basada en Modelos (MBO): Utiliza modelos de primeros principios para podar el espacio de diseño y generar una frontera de Pareto-óptima de candidatos.
     • Optimización Basada en Datos (DDO): Ejecuta experimentos estadísticos sobre los candidatos supervivientes utilizando PERFECT como base de ejecución.
   • Innovación: Trata los requisitos como clases particionadas (basadas en modelos vs. basadas en datos) y utiliza la diferenciación automática para clasificar los requisitos por sensibilidad, fundamentando las prioridades cualitativas en un análisis cuantitativo.

3. VERITAS (VERIfication of Trusted Autonomous Systems):

   • Función: Proporciona un flujo de trabajo de aseguramiento unificado que combina la verificación formal, basada en datos y en tiempo de ejecución.
   • Mecanismo:
     • Verificación Matemática: Compila diagramas SysML en autómatas temporizados (UPPAAL) para la prueba formal.
     • Verificación Basada en Datos: Utiliza campañas de simulación de PERFECT para estimar las tasas de fallo y los intervalos de confianza para modelos formales intratables.
     • Monitoreo en Tiempo de Ejecución: Sintetiza observadores (por ejemplo, monitores de Lógica Temporal de Señales) para detectar violaciones de especificación en la pila desplegada.
   • Innovación: Un candidato de diseño solo se considera "asegurado" si sobrevive a los tres módulos de verificación, proporcionando un argumento de aseguramiento multifacético desde una única fuente.

Resultados y Demostraciones
El marco fue demostrado en un Robot Terrestre Autónomo Confiable (AGR) a lo largo de su ciclo de vida de desarrollo, utilizando un campo de pruebas de terreno disputado en NVIDIA Isaac Sim:

• Selección de la Suite de Sensores (TRADES-X): La cadena de herramientas redujo 8,192 configuraciones de sensores candidatas a 92 candidatas Pareto-óptimas mediante MBO, y posteriormente a 7 supervivientes para la evaluación basada en datos, seleccionando finalmente un único diseño recomendado.
• Planificación de Trayectorias Sensible al Riesgo (PERFECT): El marco evaluó el planificador RA-RRT* frente a RRT* a través de diversos niveles de ruido y riesgo. Los resultados mostraron que la política adversa al riesgo logró longitudes de trayectoria en el peor de los casos más bajas y menos fallos, con PERFECT permitiendo la campaña distribuida requerida para estas comparaciones.
• Verificación de Árboles de Comportamiento (VERITAS): La herramienta soportó la generación automatizada de modelos y la síntesis de monitores en línea a partir de especificaciones de Árboles de Comportamiento, permitiendo la verificación formal de los planes de tareas.
• Percepción Robusta (Predicción Conforme): El sistema implementó la predicción conforme para envolver los detectores de objetos con garantías libres de distribución. PERFECT generó los datos necesarios de la campaña de bucle cerrado, etiquetados con verdad de campo (ground-truth), para calibrar el sistema, mientras que TRADES-X optimizó la compensación entre los márgenes de seguridad y la conservatividad de la navegación.
• Coordinación de Multi-Robots Asegurada: El marco escaló a un equipo de robots, descomponiendo los requisitos de alto nivel de la flota en especificaciones de Lógica Temporal de Señales (STL). VERITAS verificó las trayectorias ejecutadas, identificando con éxito una ligera violación en la trayectoria de un robot que la síntesis por sí sola habría pasado por alto.

Significancia y Reivindicaciones
El artículo afirma que IDDMBSE aborda la causa raíz de la brecha de integración en los CPS autónomos: la falta de una metodología que trate a los componentes de ML/AI como ciudadanos de primera clase, impulsados por requisitos, dentro del proceso en V. Al integrar estos componentes en una representación SysML unificada, el marco permite:

• Trazabilidad: Vincular los componentes de ML/AI, la estructura del sistema y los requisitos a través de un único modelo.
• Escalabilidad: Utilizar prioridades basadas en modelos para podar el espacio de diseño antes de gastar recursos empíricos escasos en la evaluación basada en datos.
• Aseguramiento: Cerrar el bucle entre los modelos formales, la evidencia estadística y el monitoreo en tiempo de ejecución para apoyar la "Autonomía Confiable" (sistemas que se automonitorean y se autoajustan bajo garantías de seguridad verificables).

Los autores señen que la implementación actual depende de herramientas SysML v1, lo que introduce una infraestructura "frágil y ligada a la interfaz gráfica (GUI)". El trabajo futuro se centra en reformular IDDMBSE sobre los fundamentos de SysML v2 / KerML para permitir la composibilidad nativa del lenguaje, la integración basada en API y un acoplamiento más estrecho con la IA agéntica para el proceso en V.