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

Sintesi Tecnica: IDDMBSE – Integrazione tra Ingegneria dei Sistemi Data-Driven e Model-Based

Definizione del Problema
I Sistemi Cyber-Fisici (CPS) autonomi si affidano sempre più ad architetture ibride che intercalano componenti tradizionali basati su modelli (cinematica, pianificatori, controllori) con componenti basati su dati di Machine Learning e Intelligenza Artificiale (ML/AI) (reti di percezione, policy apprese). Sebbene l'Ingegneria dei Sistemi Basata su Modelli (MBSE) fornisca un framework rigoroso per la progettazione di sistemi complessi, essa manca di metodologie native per accogliere componenti basati su dati. Al contrario, l'ML/AI offre potenti capacità di inferenza, ma spesso opera come una "black box" all'interno del sistema, priva di una tracciabilità formale rispetto ai requisiti. Le attuali pratiche industriali trattano tipicamente i sottosistemi ML/AI come scatole nere inserite a posteriori in scaffold basati su modelli, con il risultato di sistemi fragili, cicli di progettazione lenti e argomentazioni di certificazione deboli. Esiste un gap critico nella metodologia di Ingegneria dei Sistemi (SE) che colleghi nativamente la rigorosa e tracciabile V-process dell'MBSE con la natura empirica e data-driven degli moderni stack di autonomia.

Metodologia: IDDMBSE
Il documento propone IDDMBSE (Integrated Data-Driven and Model-Based Systems Engineering), una metodologia che estende lo standard V-process dell'MBSE aggiungendo uno strato di loop data-driven ad ogni fase. L'approccio è ancorato a SysML come rappresentazione centrale e tratta lo stack di autonomia come un elemento architettonico di prima classe piuttosto che come un payload opaco.

La metodologia è guidata da un repository di requisiti, garantendo che gli sforzi data-driven siano dispiegati solo dove i modelli basati sui primi principi sono insufficienti a garantire il soddisfacimento dei requisiti. Il framework integra tre estensioni strutturali:

1. Augmentation Data-Driven: Ogni fase della V-process (struttura, comportamento, mappatura, requisiti, trade-off, verifica) è aumentata da componenti ML/AI, dai loro dati di addestramento e dai profili di incertezza.
2. Modellazione dello Stack di Autonomia: Lo stack percezione-pianificazione-controllo è modellato come un blocco SysML con porte strutturali, comportamentali e parametriche che si legano direttamente a implementazioni eseguibili (es. ROS 2).
3. Architettura di Trade-off Ibrida: L'esplorazione dello spazio di progettazione combina l'ottimizzazione basata su modelli (per componenti trattabili) con la valutazione data-driven (per componenti appresi).

Contributi Chiave: La Tool Chain
La metodologia è istanziata come una tool chain interoperabile e open-source composta da tre strumenti primari, tutti accoppiati attraverso un hub di modellazione SysML condiviso:

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

   • Funzione: Mappa le architetture di sistema SysML su stack di autonomia ROS 2 eseguibili per una valutazione delle prestazioni scalabile.
   • Meccanismo: Espone un profilo SysML che lega i blocchi di sistema ai nodi e ai parametri ROS 2. PERFECT sintetizza le configurazioni di lancio, distribuisce i job di simulazione su un pool di calcolo (usando Isaac Sim o Gazebo) e aggrega i risultati nuovamente nei diagrammi parametrici SysML.
   • Innovazione: Diversamente dai comuni benchmark, PERFECT mantiene un "digital thread" dove le configurazioni degli esperimenti derivano dal modello SysML e vi rientrano, garantendo la tracciabilità tra architettura e misurazione.

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

   • Funzione: Esegue l'esplorazione dello spazio di progettazione ibrida, tra model-based e data-driven.
   • Meccanismo: Scompone lo spazio di progettazione in due fasi:
     • Ottimizzazione Model-Based (MBO): Utilizza modelli basati sui primi principi per potare lo spazio di progettazione e generare una frontiera di candidati Pareto-ottimali.
     • Ottimizzazione Data-Driven (DDO): Esegue esperimenti statistici sui candidati superstiti utilizzando PERFECT come backbone di esecuzione.
   • Innovazione: Tratta i requisiti come classi partizionate (model-based vs. data-driven) e utilizza la differenziazione automatica per classificare i requisiti in base alla sensibilità, radicando le priorità qualitative in analisi quantitative.

3. VERITAS (VERIfication of Trusted Autonomous Systems):

   • Funzione: Fornisce un workflow di assurance unificato che combina verifica formale, data-driven e di runtime.
   • Meccanismo:
     • Verifica Matematica: Compila i diagrammi SysML in automi temporizzati (UPPAAL) per la prova formale.
     • Verifica Data-Driven: Utilizza campagne di simulazione PERFECT per stimare i tassi di guasto e gli intervalli di confidenza per i modelli formali intrattabili.
     • Monitoraggio Runtime: Sintetizza osservatori (es. monitor Signal Temporal Logic) per rilevare violazioni delle specifiche nello stack distribuito.
   • Innovazione: Un candidato di progettazione è considerato "assicurato" solo se sopravvive a tutti e tre i moduli di verifica, fornendo un argomento di assurance multifocale da una singola fonte.

Risultati e Dimostrazioni
Il framework è stato dimostrato su un Robot Terrestre Autonomo Affidabile (AGR) durante l'intero ciclo di sviluppo, utilizzando un campo di prova a terreno contestato in NVIDIA Isaac Sim:

• Selezione della Suite Sensoriale (TRADES-X): La tool chain ha ridotto 8.192 configurazioni sensoriali candidate a 92 candidati Pareto-ottimali tramite MBO, e ulteriormente a 7 superstiti per la valutazione data-driven, selezionando infine un singolo design raccomandato.
• Pianificazione del Percorso Sensibile al Rischio (PERFECT): Il framework ha valutato il pianificatore RA-RRT* rispetto a RRT* attraverso vari livelli di rumore e rischio. I risultati hanno mostrato che la policy risk-averse otteneva lunghezze di percorso worst-case inferiori e meno fallimenti, con PERFECT che permetteva la campagna distribuita necessaria per tali confronti.
• Verifica di Behavior Tree (VERITAS): Il tool ha supportato la generazione automatica di modelli e la sintesi di monitor online da specifiche di Behavior Tree, consentendo la verifica formale dei piani di task.
• Percezione Robusta (Conformal Prediction): Il sistema ha implementato la predizione conforme per avvolgere i detector di oggetti con garanzie distribuzione-free. PERFECT ha generato i dati necessari, chiusi nel loop e con etichette ground-truth, per calibrare il sistema, mentre TRADES-X ha ottimizzato il trade-off tra margini di sicurezza e conservatività della navigazione.
• Coordinamento Multi-Robot Assicurato: Il framework è scalato a un team di robot, scomponendo i requisiti di alto livello della flotta in specifiche Signal Temporal Logic (STL). VERITAS ha verificato le traiettorie eseguite, identificando con successo una leggera violazione nel percorso di un robot che la sola sintesi avrebbe mancato.

Significatività e Claim
Il documento sostiene che IDDMBSE affronti la causa radice del gap di integrazione nei CPS autonomi: la mancanza di una metodologia che tratti i componenti ML/AI come cittadini di prima classe, guidati dai requisiti, all'interno della V-process. Integrando questi componenti in una rappresentazione SysML unificata, il framework consente:

• Tracciabilità: Collegare i componenti ML/AI, la struttura del sistema e i requisiti attraverso un unico modello.
• Scalabilità: Utilizzare i priori model-based per potare lo spazio di progettazione prima di esaurire le scarse risorse empiriche per la valutazione data-driven.
• Assurance: Chiudere il loop tra modelli formali, evidenze statistiche e monitoraggio runtime per supportare l'Autonomia Affidabile (sistemi che si auto-monitorano e si auto-aggiustano sotto garanzie di sicurezza verificabili).

Gli autori notano che l'attuale implementazione si affida a tool SysML v1, il che introduce una gestione "fragile e vincolata alla GUI". Il lavoro futuro si concentra sulla riformulazione di IDDMBSE sulle fondamenta di SysML v2 / KerML per abilitare la composibilità nativa del linguaggio, l'integrazione API-first e un accoppiamento più stretto con l'AI agentica per la V-process.