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

技術要約：IDDMBSE – データ駆動型およびモデルベース・システムエンジニアリングの統合

問題提起
自律型サイバーフィジカルシステム（CPS）は、従来のモデルベースのコンポーネント（運動学、プランナー、コントローラー）と、データ駆動型の機械学習および人工知能（ML/AI）コンポーネント（知覚ネットワーク、学習されたポリシー）を交互に組み合わせたハイブリッドアーキテクチャにますます依存するようになっている。モデルベース・システムエンジニアリング（MBSE）は複雑なシステム設計のための厳格なフレームワークを提供するが、データ駆動型コンポーネントを受け入れるためのネイティブな手法を欠いている。逆に、ML/AIは強力な推論能力を提供するが、システム内ではしばしば「ブラックボックス」として動作し、要件への形式的なトレーサビリティを欠いている。現在の産業界の実践では、通常、ML/AIサブシステムをモデルベースの足場に後付けのブラックボックスとして扱うことが多く、その結果、システムの脆弱性、設計サイクルの鈍化、および不十分な認証根拠を招いている。MBSEの厳格でトレーサブルなVプロセスと、現代の自律スタックの経験的かつデータ駆動型の性質をネイティブに横断するシステムエンジニアリング（SE）手法には、決定的なギャップが存在する。

手法：IDDMBSE
本論文では、IDDMBSE（Integrated Data-Driven and Model-Based Systems Engineering）を提案する。これは、あらゆるステップにデータ駆動型のループを層状に重ねることで、標準的なMBSEのVプロセスを拡張する手法である。このアプローチはSysMLを中心的な表現形式として据え、自律スタックを不透明なペイロードではなく、第一級のアーキテクチャ要素として扱う。

この手法は要件リポジトリによって駆動され、第一原理に基づくモデルだけでは要件の充足を保証できない場合にのみ、データ駆動型の取り組みが展開されることを確実にする。フレームワークは、以下の3つの構造的拡張を統合している：

1. データ駆動型拡張（Data-Driven Augmentation）： すべてのVプロセスのステップ（構造、振る舞い、マッピング、要件、トレードオフ、検証）は、ML/AIコンポーネント、その学習データ、および不確実性プロファイルによって拡張される。
2. 自律スタック・モデリング（Autonomy Stack Modeling）： 知覚・計画・制御のスタックを、実行可能な実装（例：ROS 2）と直接結合する構造的、振る舞い的、およびパラメトリックなポートを持つSysMLブロックとしてモデル化する。
3. ハイブリッド・トレードオフ・アーキテクチャ（Hybrid Trade-off Architecture）： 設計空間探索は、モデルベースの最適化（扱いやすいコンポーネント向け）と、データ駆動型の評価（学習されたコンポーネント向け）を組み合わせる。

主要な貢献：ツールチェーン
本手法は、共有のSysMLモデリングハブを通じて結合された、3つの主要なツールからなる相互運用可能なオープンソースのツールチェーンとして具体化されている：

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

   • 機能： SysMLシステムアーキテクチャを、スケーラブルな性能評価のために実行可能なROS 2自律スタックへとマッピングする。
   • メカニズム： システムブロックをROS 2ノードおよびパラメータにバインドするSysMLプロファイルを公開する。PERFECTは、起動構成（launch configurations）を合成し、計算プール（Isaac SimまたはGazeboを使用）にシミュレーションジョブを分散させ、結果をSysMLパラメトリック図に集約する。
   • 革新性： 標準的なベンチマークスイートとは異なり、PERFECTは実験構成がSysMLモデルから派生し、かつモデルへとフィードバックされる「デジタルスレッド」を維持しており、アーキテクチャと測定の間のトレーサビリティを確保している。

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

   • 機能： ハイブリッドなモデルベースおよびデータ駆動型の設計空間探索を行う。
   • メカニズム： 設計空間を以下の2段階に分解する：
     • モデルベース最適化 (MBO): 第一原理モデルを使用して設計空間を削減し、パレート最適フロントの候補を生成する。
     • データ駆動型最適化 (DDO): PERFECTを実行基盤として使用し、生存した候補に対して統計的実験を実行する。
   • 革新性： 要件を（モデルベースとデータ駆動型の）分類されたクラスとして扱い、自動微分を用いて要件の感度をランク付けすることで、定性的な優先順位を定量的な分析に落とし込む。

3. VERITAS (VERIfication of Trusted Autonomous Systems):

   • 機能： 形式的、データ駆動的、および実行時検証を組み合わせた統一されたアシュアランス（保証）ワークフローを提供する。
   • メカニズム：
     • 数学的検証： SysML図をタイミング付きオートマトン（UPPAAL）にコンパイルし、形式的な証明を行う。
     • データ駆動型検証： PERFECTによるシミュレーションキャンペーンを用い、形式モデル化が困難なモデルの故障率と信頼区間を推定する。
     • 実行時モニタリング： 展開されたスタックにおける仕様違反を検知するために、オブザーバー（例：Signal Temporal Logicモニター）を合成する。
   • 革新性： 設計候補は、これら3つの検証モジュールすべてを通過した場合にのみ「保証された」ものとみなされる。これにより、単一のソースから多角的なアシュアランス引数を提供できる。

結果とデモンストレーション
本フレームワークは、NVIDIA Isaac Sim内の係争地帯テストレンジを利用し、**信頼性の高い自律地上ロボット（AGR）**の開発ライフサイクル全体を通じて実証された：

• センサー・スイートの選択 (TRADES-X): 本ツールチェーンは、MBOを通じて8,192個の候補センサー構成を92個のパレート最適候補に削減し、さらにデータ駆動型評価のための7個の生存候補に絞り込み、最終的に単一の推奨設計を選択した。
• リスク感受型パスプランニング (PERFECT): フレームなしでは、様々なノイズとリスクレベルにおいてRA-RRTプランナーをRRTと比較評価した。結果は、リスク回避型ポリシーが、より低い最悪ケースの経路長とより少ない失敗を実現したことを示し、PERFECTがこれらの比較に必要な分散型キャンペーンを可能にした。
• ビヘイビアツリーの検証 (VERITAS): 本ツールは、ビヘイビアツリー仕様からの自動モデル生成とオンラインモニター合成をサポートし、タスクプランの形式的検証を可能にした。
• 堅牢な知覚 (共形予測/Conformal Prediction): オブジェクト検出器を分布フリーの保証でラップするために共形予測を実装した。PERFECTは、システムのキャリブレーションのために必要な、クローズドループかつグラウンドトゥルースラベル付きデータを生成し、TRADES-Xは安全性マージンとナビゲーションの保守性の間のトレードオフを最適化した。
• 保証されたマルチロボット協調: 本フレームワークはロボットチームへとスケールし、高レベルのフリート要件をSignal Temporal Logic (STL) 仕様へと分解した。VERITASは実行された軌跡を検証し、合成のみでは見逃していた可能性のある、あるロボットの経路におけるわずかな違反を特定することに成功した。

意義と主張
本論文は、IDDMBSEが、ML/AIコンポーネントをVプロセスの第一級かつ要件駆動型の市民として扱う手法の欠如という、自律型CPSにおける統合の根本原因に対処していると主張している。SysMLによる統一された表現にこれらのコンポーネントを統合することで、以下のことが可能になる：

• トレーサビリティ： ML/AIコンポーネント、システム構造、および要件を単一のモデルを通じて連結する。
• スケーラビリティ： モデルベースの事前知識を用いて設計空間を削減してから、貴重な経験的リソースをデータ駆動型の評価に投入する。
• アシュアランス： 形式モデル、統計的証拠、および実行時モニタリングの間のループを閉じ、「信頼できる自律性（検証可能な安全保証の下で自己監視および自己調整を行うシステム）」をサポートする。

著者らは、現在の実装がSysML v1のツールに依存しており、それが「脆弱でGUIに縛られた」配管（plumbing）をもたらしていると指摘している。今後の展望として、言語ネイティブなコンポーザビリティ、APIファーストの統合、およびVプロセスにおけるエージェンティックAIとのより緊密な結合を実現するために、SysML v2 / KerMLの基盤上でIDDMBSEを再定式化することに焦点を当てている。