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

기술 요약: IDDMBSE – 데이터 기반 및 모델 기반 시스템 엔지니어링의 통합

문제 정의
자율형 사이버 물리 시스템(CPS)은 전통적인 모델 기반 구성 요소(운동학, 플래너, 컨트롤러)와 데이터 기반 머신러닝 및 인공지능(ML/AI) 구성 요소(인지 네트워크, 학습된 정책)를 교차 결합하는 하이브리드 아키텍처에 점점 더 의존하고 있다. 모델 기반 시스템 엔지니어링(MBSE)은 복잡한 시스템 설계를 위한 엄격한 프레임워크를 제공하지만, 데이터 기반 구성 요소를 수용하기 위한 고유한 방법론이 부족하다. 반대로, ML/AI는 강력한 추론 능력을 제공하지만, 시스템 내에서 '블랙박스'로 작동하는 경우가 많아 요구사항에 대한 공식적인 추적성을 결여하고 있다. 현재의 산업 관행은 일반적으로 ML/AI 서브시스템을 모델 기반 구조 안에 사후적으로 끼워 넣은 블랙박스로 취급하며, 이는 취약한 시스템, 느린 설계 주기, 약한 인증 근거를 초래한다. 따라서 MBSE의 엄격하고 추적 가능한 V-프로세스와 현대적 자율 주행 스택의 경험적, 데이터 중심적 특성을 자연스럽게 연결하는 시스템 엔지니어링(SE) 방법론의 결정적인 공백이 존재한다.

방법론: IDDMBSE
본 논문은 모든 단계에 데이터 기반 루프를 레이어링함으로써 표준 MBSE V-프로세스를 확장하는 IDDMBSE(Integrated Data-Driven and Model-Based Systems Engineering)를 제안한다. 이 접근 방식은 SysML을 중심 표현 방식으로 삼으며, **자율 주행 스택(autonomy stack)**을 불투명한 페이로드가 아닌 일급 아키텍처 요소로 취급한다.

이 방법론은 요구사항 저장소에 의해 구동되며, 이를 통해 제1원리 모델(first-principles models)만으로는 요구사항 충족을 보장할 수 없는 곳에만 데이터 기반 노력이 배치되도록 보장한다. 프레임워크는 세 가지 구조적 확장을 통합한다:

1. 데이터 기반 증강(Data-Driven Augmentation): 모든 V-프로세스 단계(구조, 동작, 매핑, 요구사항, 트레이드오프, 검증)는 ML/AI 구성 요소, 해당 학습 데이터 및 불확실성 프로파일에 의해 증강된다.
2. 자율 주행 스택 모델링(Autonomy Stack Modeling): 인지-계획-제어 스택을 SysML 블록으로 모델링하며, 이는 실행 가능한 구현체(예: ROS 2)와 직접 결합되는 구조적, 동작적, 파라미터적 포트를 가진다.
3. 하이브리드 트레이드오프 아키텍처(Hybrid Trade-off Architecture): 설계 공간 탐색은 모델 기반 최적화(다루기 쉬운 구성 요소용)와 데이터 기반 평가(학습된 구성 요소용)를 결합한다.

핵심 기여: 툴 체인
이 방법론은 공유된 SysML 모델링 허브를 통해 결합된 세 가지 주요 도구로 구성된 상호 운용 가능한 오픈 소스 툴 체인으로 구현된다:

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

   • 기능: SysML 시스템 아키텍처를 실행 가능한 ROS 2 자율 주행 스택으로 매핑하여 확장 가능한 성능 평가를 수행한다.
   • 메커니즘: 시스템 블록을 ROS 2 노드 및 파라미터에 바인딩하는 SysML 프로파일을 노출한다. PERFECT는 런칭 구성을 합성하고, 컴퓨팅 풀(Isaac Sim 또는 Gazebo 사용)에 시뮬레이션 작업을 분산시키며, 결과를 SysML 파라미터 다이어그램으로 다시 집계한다.
   • 혁신: 표준 벤치마크 스위트와 달리, PERFECT는 실험 구성이 SysML 모델로부터 유도되고 다시 피드백되는 '디지털 스레드(digital thread)'를 유지하여 아키텍처와 측정 사이의 추적성을 보장한다.

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

   • 기능: 하이브리드 모델 기반 및 데이터 기반 설계 공간 탐색을 수행한다.
   • 메커니즘: 설계 공간을 두 단계로 분해한다:
     • 모델 기반 최적화(MBO): 제1원리 모델을 사용하여 설계 공간을 가지치기하고 후보군에 대한 파레토 최적 프런티어를 생성한다.
     • 데이터 기반 최적화(DDO): 생존한 후보들에 대해 PERFECT를 실행 백본으로 사용하여 통계적 실험을 수행한다.
   • 혁신: 요구사항을 구분된 클래스(모델 기반 vs 데이터 기반)로 취급하며, 자동 미분을 사용하여 요구사항의 민감도를 순위화함으로써 정성적 우선순위를 정량적 분석에 근거하게 한다.

3. VERITAS (VERIfication of Trusted Autonomous Systems):

   • 기능: 형식적, 데이터 기반, 런타임 검증을 결합한 통합 보증 워크플로우를 제공한다.
   • 메커니즘:
     • 수학적 검증: SysML 다이어그램을 타이밍 오토마타(UPPAAL)로 컴파일하여 형식적 증명을 수행한다.
     • 데이터 기반 검증: PERFECT 시뮬레이션 캠페인을 사용하여 다루기 어려운 형식 모델에 대한 실패율과 신뢰 구간을 추정한다.
     • 런타임 모니터링: 배포된 스택에서 사양 위반을 감지하기 위해 옵저버(예: Signal Temporal Logic 모니터)를 합성한다.
   • 혁신: 설계 후보는 세 가지 검증 모듈을 모두 통과해야만 '보증된(assured)' 것으로 간주되며, 이를 통해 단일 소스로부터 다각적인 보증 논거를 제공한다.

결과 및 시연
이 프레임워크는 NVIDIA Isaac Sim 내의 경합 지형 테스트 범위를 활용하여 **신뢰할 수 있는 자율 지상 로봇(AGR)**의 개발 수명 전반에 걸쳐 시연되었다:

• 센서 세트 선택 (TRADES-X): 툴 체인은 MBO를 통해 8,192개의 후보 센서 구성을 92개의 파레토 최적 후보로 줄였고, 이를 다시 데이터 기반 평가를 위한 7개의 생존자로 압축하여 최종적으로 단일 권장 설계를 선택했다.
• 위험 민감 경로 계획 (PERFECT): 프레임워크는 다양한 노이즈 및 위험 수준에서 RA-RRT* 플래너를 RRT*와 비교 평가했다. 결과에 따르면 위험 회피 정책이 더 낮은 최악의 경로 길이와 더 적은 실패를 달 기록했으며, PERFECT는 이러한 비교에 필요한 분산 캠페인을 가능하게 했다.
• 행동 트리 검증 (VERITAS): 이 툴은 행동 트리 사양으로부터 자동 모델 생성 및 온라인 모니터 합성을 지원하여 작업 계획의 형식적 검증을 가능하게 했다.
• 강건한 인지 (Conformal Prediction): 시스템은 분포 무관 보증을 제공하기 위해 객체 탐지기를 컨포멀 예측(conformal prediction)으로 감싸는 기능을 구현했다. PERFECT는 시스템을 교정하기 위해 필요한 폐쇄 루프 형태의 그라운드 트루스 라벨링 데이터를 생성했으며, TRADES-X는 안전 마진과 항법 보수성 사이의 트레이드오프를 최적화했다.
• 보증된 다중 로봇 협업: 프레임워크는 로봇 팀 규모로 확장되어, 고수준의 플릿(fleet) 요구사항을 Signal Temporal Logic(STL) 사양으로 분해했다. VERITAS는 실행된 궤적을 검증하여, 합성만으로는 놓쳤을 수도 있는 한 로봇의 경로상의 미세한 위반을 성공적으로 식별했다.

의의 및 주장
본 논문은 IDDMBSE가 자율형 CPS의 통합 격차의 근본 원인, 즉 ML/AI 구성 요소를 V-프로세스의 일급이며 요구사항 중심적인 시민으로 취급하는 방법론의 부재를 해결한다고 주장한다. SysML 표현으로 이러한 구성 요소들을 통합함으로써 프레임워크는 다음을 가능하게 한다:

• 추적성: ML/AI 구성 요소, 시스템 구조 및 요구사항을 단일 모델을 통해 연결한다.
• 확장성: 희소한 경험적 자원을 데이터 기반 평가에 낭비하기 전에 모델 기반 사전 정보를 사용하여 설계 공간을 가지치기한다.
• 보증: 형식적 모델, 통계적 증거 및 런타임 모니터링 사이의 루프를 닫아 "신뢰할 수 있는 자율성"(검증 가능한 안전 보증 하에 스스로 모니터링하고 조정하는 시스템)을 지원한다.

저자들은 현재 구현이 SysML v1 툴링에 의존하여 "취약하고 GUI에 종속된" 구조를 가지고 있다고 언급했다. 향 향후 연구는 언어 네이티브의 결합성, API 우선 통합, 그리고 V-프로세스에 대한 에이전틱 AI와의 긴밀한 결합을 가능하게 하는 SysML v2 / KerML 기반으로 IDDMBSE를 재구성하는 데 집중할 것이다.