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

논문 요약: LLM 기반 에이전트를 활용한 ROS 2 시스템의 계층적 구조 아키텍처 모델링 및 복원

1. 연구 배경 및 문제 정의 (Problem)

• ROS 2 아키텍처의 암시적 구조: ROS 2 시스템에서 하위 시스템 (Subsystem) 의 구조는 종종 명시적인 아키텍처 모델이 아니라, 분산된 구성 파일 (특히 Launch 파일) 과 소스 코드에 암시적으로 인코딩되어 있습니다.
• 기존 접근법의 한계: 기존 ROS 모델링 기법들은 주로 노드 (Node) 레벨의 엔티티와 연결 (Wiring) 을 다루지만, Launch 아티팩트와 독립적인 계층적 구조적 (Hierarchical Structural) 구성을 1 차적인 아키텍처 뷰로 지원하지 못합니다.
• 유지보수 및 문서화 부재: 시스템이 진화함에 따라 구현과 문서화된 아키텍처 간의 괴리 (Drift) 가 발생하며, 이는 온보딩, 공유 이해, 안전한 진화에 부정적인 영향을 미칩니다.
• LLM 활용의 위험: 일반적인 LLM 기반 아키텍처 복구 접근법은 도메인 제약이 부족하여 불완전하거나 일관성 없는 추상화를 생성할 수 있으며, 특히 ROS 2 의 경우 소스, 빌드, Launch 아티팩트에 분산된 아키텍처 의미론을 정확히 포착하기 어렵습니다.

2. 방법론 (Methodology)

저자들은 블루프린트 가이드 (Blueprint-guided) 방식을 채택하여 결정론적 추출과 LLM 기반 추론을 결합한 하이브리드 복구 파이프라인을 제안했습니다.

• UML 기반 모델링 개념 (Modeling Concept):

  • ROS 2 시스템의 계층적 구조를 표현하기 위해 UML 기반 모델링 개념을 정의했습니다.
  • 핵심 요소:
    • AtomicRosNodeClassifier: 소스 코드 레벨의 노드 클래스 (rclcpp::Node 상속) 를 매핑.
    • RosNodePart: Launch 파일에서 인스턴스화된 노드 (이름, 네임스페이스, 리맵핑 적용).
    • ComposedRosNodeClassifier: Launch 파일을 기반으로 한 하위 시스템 구성 (Launch 파일 간 포함 관계 반영).
    • Namespace: 런타임 네임스페이스 스코프 및 리맵핑 규칙을 모델링.
  • 이 모델은 노드, 토픽, 서비스, 네임스페이스 간의 구조적 제약과 인터페이스를 명시합니다.

• 블루프린트 가이드 자동 복구 시스템 (Recovery System):

  • CrewAI 기반 에이전트 아키텍처:
    1. NodeAnalyzer (결정론적 추출): 소스 및 헤더 파일을 정적 분석하여 원자적 ROS 노드 (Atomic Nodes) 와 파일 경로를 JSON 으로 추출.
    2. ComponentArchitectureTeam (컴포넌트 레벨 합성): 추출된 노드 정보를 기반으로 LLM 에이전트가 PlantUML 컴포넌트 모델을 생성. 사전 정의된 블루프린트 (구조적 계약) 와 Few-shot 프롬프트를 사용하여 LLM 의 추론을 제한.
    3. SystemArchitectureTeam (시스템 레벨 합성): Launch 파일, 빌드 설정, 패키지 매니페스트 등을 분석하여 계층적 런타임 구성, 네임스페이스 계층, 하위 시스템 경계를 복원.
  • 검증 및 제약: LLM 이 생성한 모델은 ROS 2 아키텍처 블루프린트 (구조적 계약) 에 따라 검증되며, 결정론적 유효성 검사를 통해 신뢰성을 확보합니다.

3. 주요 기여 (Key Contributions)

1. ROS 2 계층적 구조 아키텍처를 위한 UML 기반 모델링 개념 제안: Launch 아티팩트와 독립적으로 계층적 구조적 (분해/구성) 관계를 명시적으로 표현하는 새로운 모델링 프레임워크.
2. 블루프린트 가이드 자동 복구 파이프라인 개발: 결정론적 추출과 제약된 LLM 기반 에이전트 합성을 결합하여 코드 및 Launch 설정에서 모델을 자동 복원하는 시스템.
3. 실증적 평가: 산업 규모를 포함한 3 개의 ROS 2 저장소를 대상으로 한 평가 수행. 높은 정밀도 (Precision) 를 입증하고, 복잡도가 증가할 때의 재현율 (Recall) 한계를 규명.

4. 평가 결과 (Evaluation Results)

세 가지 사례 연구 (제어된 합성 예제 2 건, 산업 규모 Autoware 서브셋 1 건) 를 통해 평가되었습니다.

• 정밀도 (Precision): 모든 추상화 수준에서 높은 정밀도를 보였습니다.
  • 이유: 블루프린트 제약이 LLM 의 환각 (Hallucination) 을 방지하고 구조적으로 유효한 모델만 생성하도록 보장했기 때문입니다.
  • Case Study I (소스만): 정밀도, 재현율, F1 점수 모두 1.0.
  • Case Study III (산업 규모): 컴포넌트 레벨 정밀도 0.78, 시스템 레벨 정밀도 1.0.
• 재현율 (Recall): 시스템 복잡도가 증가하고 Launch 파일의 암시적 의미론이 많아질수록 감소했습니다.
  • Case Study II: 재현율 0.75 (Launch 파일 기반 통합 관계 복원의 어려움).
  • Case Study III: 재현율 0.35 (Autoware 의 다중 상속, 헬퍼 클래스 등으로 인한 구조적 단서 모호성).
• 종합적 시사점: 구조적 유효성 (정밀도) 은 보장되지만, 대규모 시스템에서 Launch 아티팩트에 분산된 통합 (Integration) 단계의 재구성이 주요 과제로 남음을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: ROS 2 의 분산된 아티팩트 (소스, 빌드, Launch) 에서 계층적 구조를 자동으로 복원하는 첫 번째 체계적인 접근법 중 하나로, LLM 의 무제한 추론을 도메인 특화 블루프린트로 제한함으로써 신뢰성을 높였습니다.
• 실용적 가치: 생성된 모델은 PlantUML 형식으로 시각화되어 문서화, 온보딩, 아키텍처 드리프트 감지에 활용 가능합니다.
• 한계 및 향후 작업:
  • 복잡한 Launch 구문과 암시적 통합 의미론을 완전히 복원하는 것은 여전히 어렵습니다.
  • 향후에는 형식적인 UML 프로파일 (메타모델) 로 정립하고, 행동적 의도 (Behavioral Intent) 와 품질 속성을 포함하며, CI 파이프라인에 통합하여 지속적인 문서화를 목표로 할 예정입니다.

이 연구는 모델 기반 공학 (MDE) 과 생성형 AI 를 결합하여 복잡한 로봇 소프트웨어 시스템의 아키텍처 가시성을 높이는 중요한 진전을 보여주었습니다.