DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines

Technische Samenvatting: DAG-gebaseerde QoS-bewuste Dynamische Taakplaatsing voor Netwerkgebonden Multi-Stadia Controlerend Pipelines

1. Probleemstelling

De integratie van Physical AI (PAI) in industriële robotica, met name via Vision-Language-Action (VLA)-modellen en World Foundation Models (WFMs), heeft een computationele mismatch gecreëerd. Deze modellen vragen om inferentiekosten die de aan boord aanwezige capaciteiten van typische industriële robots overstijgen, terwijl hun koude-startlatenties van onder de 20 seconden incompatibel zijn met de sub-milliseconden deadlines die nodig zijn voor gesloten-lusregeling.

Bestaande implementatiestrategieën lopen tegen aanzienlijke beperkingen aan:

• Monolithische Lokale Uitvoering: Het draaien van alle stadia (sensoren, perceptie, planning, regeling) op de robot verzadigt AI-versnelde hardware, wat leidt tot hoge rates van deadline-overtredingen (empirisch gerapporteerd boven de 40% in testbeds).
• Statische Edge-Offloading: Het permanent uitbesteden van taken aan edge-servers blootstelt de regellus aan netwerkjitter en variabiliteit in latentie, wat veiligheidsmarges kan schenden.
• Huidige Adaptieve Plaatsing (ATP): Bestaande adaptieve controllers verplaatsen doorgaans slechts een enkel pijplijnstadium op basis van binaire drempelregels. Ze missen een formeel multi-stadia-model, optimaliseren geen multi-objectieve kostenfunctie en bieden geen analytische weerstand tegen taakplaatsingsoscillaties (chatter).

De kernuitdaging is het ontwerpen van een runtime-orchestratielaag die dynamisch multi-stadia controlerend pipelines over een Cloud-Fog-Edge continuüm plaatst, terwijl gesloten-lustimingbudgetten worden gerespecteerd en stabiliteit wordt gewaarborgd.

2. Methodologie

De auteurs stellen een Directed Acyclic Graph (DAG)-gebaseerde Quality-of-Service (QoS)-bewuste Dynamische Taakplaatsing (DTP)-framework voor.

A. Systeemmodellering

• Pijplijn als DAG: De sensoren-perceptie-planning-regeling-pijplijn wordt geformaliseerd als een DAG $G=(V, E_G)$ met vier taken ($T_1$ tot $T_4$).
• Architecturale Invarianten:
  • Hard-verankerde Stadia: Sensoren ($T_1$) en Regeling ($T_4$) zijn vastgezet op de fysieke robothardware ($R_1$ en $R_2$) om sub-milliseconden lokale reflexlussen te behouden.
  • Verplaatsbare Adaptatieruimte: Perceptie ($T_2$) en Planning ($T_3$) mogen migreren tussen de robot en een edge-server ($E$).
• Computefabric: Het systeem beschouwt een set knopen $N = R \cup E \cup C$, onderling verbonden door industriële real-time netwerken (LAN, TSN of 5G-URLLC).

B. QoS-bewuste Kostenfunctie
Het framework opereert over observatiewinsters van $W$ regelcycli. Het definieert een multi-objectieve kostenfunctie $J_k$ voor venster $k$:
$$J_k = \alpha_L \tilde{L}_{95,k} + \alpha_V VD_k + \alpha_r \tilde{U}_{r,k} + \alpha_e \tilde{U}_{e,k} + \alpha_S S(\pi_k, \pi_{k-1})$$

• Metrieken:
  • $\tilde{L}_{95,k}$: Genormaliseerde 95e-percentiel end-to-end latentie (vastleggend tail-gedrag).
  • $VD_k$: Rate van deadline-overtredingen (primaire SLA).
  • $\tilde{U}_{r,k}, \tilde{U}_{e,k}$: Genormaliseerde CPU-uitbating op robots en edge-servers.
• Schakelpenalty: De term $S(\pi_k, \pi_{k-1})$ gebruikt Hamming-afstand om frequente migraties te bestraffen, waardoor "plaatsingschatter" die netwerkb stabiliteit verslechtert, wordt voorkomen.
• Gewichten: In industriële settings prioriteren de gewichten SLA-naleving ($\alpha_V$) boven ruwe latentie ($\alpha_L$) en stabiliteit ($\alpha_S$).

C. Algorithmus en Beperkingen

• Kandidaatset: Om uitvoerbaarheid op edge-hardware te waarborgen, evalueert het algoritme een kleine, interpreteerbare set van plaatsingen $\Pi_{cand}$:
  • LOC: Volledig lokaal ($T_2, T_3$ op robots).
  • SO: Statisch uitbesteden ($T_2, T_3$ op Edge).
  • HYB: Hybride ($T_2$ op Edge, $T_3$ op Robot).
• Hysteresis-mechanisme: Het DTP-algoritme (Algoritme 1) handhaaft stabiliteit via:
  • Minimale Verwiltijd ($N_{min}$): Voorkomt snel omklappen wanneer metrieken fluctueren nabij drempels.
  • Kostenverbeteringsdrempel ($\Delta_{min}$): Migratie vindt alleen plaats als de kostenreductie statistisch significant is.
• Schatting: Voor niet-actieve plaatsingen schat het systeem QoS-metrieken in via statische profilering, online emulatie (routeren van een fractie van cycli) of conservatieve schaling.

3. Belangrijkste Bijdragen

1. Formeel DAG-model: Een pijplijnmodel dat hard-verankerde veiligheidskritieke stadia onderscheidt van een verplaatsbare adaptatieruimte, onafhankelijk van het onderliggende netwerksubstraat.
2. Multi-objectieve Kostenfunctie: Een op vensters gebaseerde functie die gezamenlijk tail-latentie, rates van deadline-overtredingen, hardware-uitbating en migratiestabiliteit optimaliseert.
3. Gestabiliseerd DTP-algoritme: Een algoritme dat eerdere adaptieve plaatsing van een enkel stadium generaliseert naar gelijktijdige multi-taak plaatsing, met inbegrip van hysteresis en schakelpenalties om oscillatie te begrenzen.
4. Validatieroute: Een gestructureerd tweefasenplan dat discrete-event simulatie en Hardware-in-the-Loop (HIL)-testing op fysieke robottestbeds omvat.

4. Resultaten en Validatiestrategie

Als een Work-in-Progress (WiP)-paper presenteren de auteurs een theoretisch framework en een kwalitatieve analyse in plaats van definitieve empirische resultaten.

• Kwalitatieve Analyse: De auteurs voorspellen dat het DTP-beleid zal convergeren naar LOC onder ongunstige netwerkomstandigheden (hoge jitter), naar SO onder CPU-stress op de robot, en naar HYB wanneer zowel rekenkracht als communicatiemiddelen gezamenlijk beperkt zijn.
• Validatieroute:
  • Fase 1 (Simulatie): Een discrete-event simulator zal gevoeligheid van de kostenfunctie en hysteresis-grenzen testen tegen stressscenario's (bijv. Gaussische netwerkfoutinjectie, CPU-stress).
  • Fase 2 (HIL): Een modulaire cloud-edge-robotica-testomgeving zal empirische data leveren over computeprofielen en netwerkvertragingen om de voorgestelde DAG-QoS DTP te vergelijken met LOC, SO en single-stage ATP-baselines.

5. Betekenis en Claims

Het paper claimt de "Regeling-Communicatie-Computing (3C)" co-design-kloof in industriële automatisering aan te pakken. De betekenis ligt in:

• Runtime-determinisme: Door $T_1$ en $T_4$ te verankeren, ontkoppelt het framework actuatorveiligheid van netwerkktoestand, waardoor sub-milliseconden reflexlussen behouden blijven.
• Aanpasbaarheid: De verplaatsbare ruimte voldoet aan heterogene rekenbehoeften (inclusief opkomende VLA/LLM-werklasten) zonder hardware te overbelasten of beslissingen hard te coderen.
• Stabiliteitsgarantie: De Hamming-afstand-schakelpenalty biedt een wiskundig gebonden garantie tegen plaatsingschatter, wat vertaalt naar waarneembare stabiliteit van de regellus.
• Industriële Maturiteit: De auteurs betogen dat een systeem niet geloofwaardig claimt Industry 4.0-maturiteit of klaarheid voor agentic automatisering in Industry 5.0 als het geen rate van deadline-overtredingen ($VD$) van $\le 5\%$ kan garanderen over het gehele implementatiebereik.

Het framework wordt gepositioneerd als fundamentele "runtime-infrastructuur" of "PAI-zenuwstelsel" dat LLM-agenten en VLA-modellen in staat stelt betrouwbaar te opereren onder real-world variabiliteit in rekenkracht en netwerk. Toekomstig werk is gepland om de kandidaatplaatsingsset uit te breiden, multi-robotvlootten te ondersteunen en online hyperparameter-adaptatie te integreren.