Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents

以下は、提示された論文「Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents」の技術的な要約です。

1. 問題の背景と課題

ROS 2 システムのアーキテクチャ理解には、以下の課題が存在します。

• 暗黙的な構造: ROS 2 のサブシステム構造は、明示的なアーキテクチャモデルではなく、分散された設定ファイル（特に「launch ファイル」）やソースコードに暗黙的にエンコードされています。これにより、階層的な構造分解の把握と維持が困難です。
• 既存手法の限界: 既存の ROS モデリング手法は、主にノードレベルのエンティティや接続（ワイヤリング）に焦点を当てており、launch アーティファクトに依存しない「階層的な構造（デ）構成」を第一級のアーキテクチャビューとして捉えることができていません。
• ドキュメントの陳腐化: システムが継続的に進化する場合、実装とドキュメントの乖離（ドリフト）が起きやすく、オンボーディングや安全な進化の妨げとなります。
• LLM の汎用性の欠如: 一般的な LLM によるアーキテクチャ回復は、文脈に依存せず、不完全または矛盾した抽象化を生み出すリスクがあります。ROS 2 特有のアーキテクチャ（ノード、トピック、サービス、名前空間、launch による接続など）を制約として利用していないためです。

2. 提案手法：ブループリント誘導型 LLM エージェント

本論文は、コードと設定ファイルから ROS 2 の階層的構造アーキテクチャを回復・モデル化するハイブリッドアプローチを提案しています。

A. UML ベースのモデリング概念

ROS 2 の構造を表現するための新しい UML ベースの概念を定義しました。

• AtomicRosNodeClassifier: ソースコードレベルのノードクラス（rclcpp::Node を継承）を表現する最小単位。ポート（パブリッシャー/サブスクライバー、サービス）やメッセージ/サービス型を定義します。
• ComposedRosNodeClassifier: launch ファイルに対応する、複数のノード部品（RosNodePart）を構成するサブシステムを表します。launch ファイルの階層的包含関係もモデル化されます。
• RosNodePart: 上記のいずれかのインスタンス。launch ファイルでの名前付け、名前空間（Namespace）のスコープ、リマップ（remapping）を反映します。
• Namespace: launch ファイルで定義される名前空間の範囲を表現し、トピックやサービスの階層的な名前付けを管理します。

B. 回復パイプライン（ブループリント誘導型）

決定論的な抽出と LLM ベースの推論を組み合わせる「ブループリント誘導型」システムを構築しました。

1. 決定論的抽出（NodeAnalyzer）: ソースコードとヘッダーファイルから、構文解析に基づき「Atomic ROS ノード」を抽出し、構造化された JSON として出力します。これは再現性が高く、完全な決定論的プロセスです。
2. LLM による合成（AI Agents）:
   • ComponentArchitectureTeam: 抽出されたノード情報を基に、事前に定義された「ROS 2 アーキテクチャ・ブループリント（制約契約）」を用いて、コンポーネントレベルの PlantUML モデルを生成します。
   • SystemArchitectureTeam: launch ファイル、ビルド設定、パッケージマニフェストなどの異種アーティファクトを統合し、階層的なランタイム構成（サブシステム境界、名前空間、通信関係）を回復します。
3. 制約と検証: LLM の推論は、ROS 2 固有の構造契約（許容される要素タイプ、関係性）によって厳格に制限されます。これにより、ハルシネーション（誤った生成）を防ぎ、生成されたモデルの検証可能性を高めています。

3. 主要な貢献

1. UML ベースのモデリング概念: ROS 2 システムの階層的構造アーキテクチャを表現するための新しい概念（AtomicRosNodeClassifier, ComposedRosNodeClassifier など）の提案。
2. ブループリント誘導型自動回復パイプライン: 決定論的抽出と制約付き LLM エージェントを組み合わせ、コードと launch 設定からモデルを再構築するシステムの構築。
3. 実証評価: 3 つの ROS 2 リポジトリ（制御された合成例、産業規模の Autoware サブセットなど）を用いた評価と、その結果の提示。

4. 評価結果

3 つのケーススタディ（合成データ、launch ファイルを含む合成データ、産業規模の Autoware）において、手動で作成された基準モデルと比較して評価を行いました。

• 精度（Precision）: 全レベルで高い精度を維持しました（例：産業規模でも 1.0 または 0.88 以上）。これは、ブループリントによる制約が、存在しない要素の生成（ハルシネーション）を効果的に防いでいることを示しています。
• 再現率（Recall）:
  • 単純な構造（Case Study I）では 1.0 を達成。
  • launch ファイルによる階層化や名前空間が含まれる場合（Case Study II）、再現率は若干低下（0.75）。
  • 産業規模で複雑なロジックを含む場合（Case Study III）、原子レベルで 0.55、サブシステムレベルでは 0.35 まで低下しました。
• 考察: 精度が高いことはモデルの構造的妥当性が保たれていることを示しますが、再現率が低下する要因は、大規模システムにおける「統合フェーズ（launch ファイル等）の暗黙的な意味論」の回復が困難であるためです。複雑な継承やラッパークラスが構造の手がかりを隠蔽していることが原因と特定されました。

5. 意義と結論

• 実用性: 既存の手法では困難だった、ROS 2 特有の「launch ファイルに依存しない階層的構造」の明示的なモデル化を可能にしました。
• 信頼性: 汎用的な LLM 推論ではなく、ドメイン固有のブループリント（契約）で制約をかけることで、生成されたアーキテクチャモデルの信頼性と検証可能性を大幅に向上させました。
• 今後の課題: 大規模システムにおける「統合フェーズの回復（特に暗黙的な設定の解釈）」が最大の課題として残っています。今後は、より形式化されたメタモデルの確立や、CI パイプラインへの統合、複雑な launch 構文への対応、そして人間のフィードバックを取り入れた曖昧性の解消などが期待されます。

この研究は、モデル駆動工学（MDE）の原則を ROS 2 の実世界システムに適用し、コードと設定から信頼性の高いアーキテクチャドキュメントを自動生成するための重要な基盤を提供しています。