Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction
Ce papier présente une approche améliorée, basée sur des agents et multi-niveaux, pour la récupération d'architectures logicielles hiérarchiques dans des systèmes ROS~2 complexes du monde réel, en exploitant un affinage des invites de modèles de langage de grande taille (LLM) et une stratégie de récupération par étapes afin de surmonter les limites des méthodes existantes au niveau des nœuds.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous possédiez un ensemble Lego massif et complexe, construit par une équipe de personnes sur plusieurs années. Le manuel d'instructions original a été perdu, ou peut-être n'a-t-il jamais été rédigé dès le départ. Il ne vous reste que les briques éparpillées, les boîtes dans lesquelles elles étaient contenues, et quelques notes sur la façon de les assembler.
Votre objectif ? Reconstruire le manuel d'instructions original afin de comprendre comment fonctionne l'ensemble de la machine, comment les pièces sont connectées et comment la réparer en cas de panne.
Ce papier traite exactement de cela, mais pour les logiciels robotiques (spécifiquement les systèmes construits avec un outil appelé ROS 2).
Le Problème : Les Instructions « Fantômes »
Dans le monde de la robotique, le logiciel est souvent écrit par morceaux. Une personne écrit le code pour une caméra, une autre pour un bras robotique, et une troisième pour un convoyeur. Ils enregistrent leur travail dans différents fichiers. La « colle » qui les maintient ensemble — indiquant à l'ordinateur quelle pièce démarrer en premier et comment elles communiquent entre elles — est cachée dans des « fichiers de lancement » et des commentaires de code dispersés.
C'est comme avoir une recette où les ingrédients sont listés dans un cahier, mais les étapes pour les mélanger sont cachées dans un autre cahier, et la température du four est griffonnée sur une serviette en papier. Si vous essayez de deviner toute la recette simplement en regardant les ingrédients, vous risquez de vous tromper. Vous pourriez penser que le gâteau doit être cuit à 500 degrés parce que vous avez vu ce chiffre sur un papier, alors qu'il s'agissait en réalité de la température du voyant du four.
Auparavant, les chercheurs tentaient d'utiliser l'IA (Modèles de Langage à Grande Échelle) pour lire ces notes éparpillées et deviner la recette complète. Mais l'IA se trompait parfois, inventait des faits (hallucinations) ou manquait la façon dont les différentes pièces s'assemblaient hiérarchiquement (comme une grande machine composée de machines plus petites).
La Solution : Une Approche d'Enquête « Par Étapes »
Les auteurs de ce papier ont amélioré leur méthode d'enquête par IA. Au lieu de demander à l'IA de deviner l'image complète d'un seul coup, ils ont décomposé le travail en trois étapes claires, en utilisant un « plan » (un ensemble strict de règles) pour garder l'IA sur la bonne voie.
Imaginez cela comme un chantier de construction avec trois équipes spécialisées :
Équipe 1 : Les Inventeurs (NodeAnalyzer)
D'abord, l'IA scanne tous les fichiers de code et crée une liste simple : « Voici toutes les pièces robotiques individuelles que nous avons trouvées. » Elle répertorie chaque bras robotique, caméra et capteur, en notant exactement où ils se situent dans le code.- Analogie : C'est comme trier toutes les briques Lego en tas par couleur et par forme avant de construire.
Équipe 2 : Les Lecteurs de Plans (LaunchFileAnalyzer)
Ensuite, l'IA examine les « fichiers de lancement » (les instructions sur la façon de démarrer le robot). Elle détermine quelles pièces sont activées, comment elles sont nommées et comment elles sont regroupées. Elle crée une carte des dépendances : « La caméra s'allume avant que le bras ne bouge, et elles sont toutes deux dans le groupe 'Vision'. »- Analogie : C'est comme lire les instructions d'assemblage pour voir quelles briques s'emboîtent pour former une roue, et quelles roues s'attachent à la carrosserie de la voiture.
Équipe 3 : Les Architectes Chefs (SystemArchitectureTeam)
Enfin, l'IA prend la liste des pièces (de l'Équipe 1) et la carte des connexions (de l'Équipe 2) et construit le diagramme final de haut niveau. Parce qu'elle dispose des listes intermédiaires, elle n'a pas besoin de deviner. Elle suit simplement les preuves.- Analogie : C'est l'architecte qui dessine le plan final de la maison achevée, sachant exactement où chaque brique et chaque fil va, car il dispose de l'inventaire et des notes d'assemblage.
Le Test : Le Robot « BrickByBrick »
Pour tester cette nouvelle méthode, les chercheurs ont utilisé un système robotique réel appelé BrickByBrick. Il s'agit d'un robot conçu pour démonter des structures complexes faites de briques de construction. Il dispose de :
- Deux bras robotiques (Alice et Bob).
- Des caméras pour voir les briques.
- Des convoyeurs pour les déplacer.
- Un « cerveau » qui planifie comment séparer les briques sans les casser.
Ce système était beaucoup plus complexe que les exemples simples qu'ils avaient utilisés dans leurs recherches précédentes. Il comportait de nombreux types de logiciels différents travaillant ensemble.
Les Résultats
La nouvelle méthode « par étapes » a très bien fonctionné :
- Précision : L'IA a correctement identifié presque chaque pièce et connexion individuelle (98 % de précision sur la carte complexe au niveau système).
- Fiabilité : Elle n'a pas inventé de fausses connexions. Chaque connexion qu'elle a dessinée était soutenue par des preuves réelles du code.
- Amélioration : Elle était nettement meilleure pour comprendre comment les différentes pièces étaient regroupées par rapport à leur ancienne méthode.
La Conclusion
Le papier montre que si vous voulez comprendre le logiciel d'un robot complexe, vous ne devriez pas simplement demander à une IA de « deviner l'ensemble ». Au lieu de cela, vous devriez donner à l'IA un processus structuré :
- Lister les pièces.
- Cartographier les instructions d'assemblage.
- Construire le diagramme final basé sur ces faits.
Cette approche rend l'IA beaucoup plus fiable, transformant un tas chaotique de code en une carte architecturale claire et compréhensible. Cependant, les auteurs admettent que si le comportement du robot change pendant son fonctionnement (changements dynamiques), la méthode actuelle a encore un peu de mal à capturer ces cibles mobiles. Mais pour comprendre la structure statique du système, c'est un énorme pas en avant.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.