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

Resumo Técnico: Posicionamento Dinâmico de Tarefas Consciente de QoS Baseado em DAG para Pipelines de Controle Multiestágio em Rede

1. Declaração do Problema

A integração da Inteligência Física (PAI) na robótica industrial, particularmente por meio de modelos Visão-Linguagem-Ação (VLA) e Modelos Fundamentais de Mundo (WFMs), criou uma incompatibilidade computacional. Esses modelos demandam custos de inferência que excedem as capacidades embarcadas de robôs industriais típicos, enquanto suas latências de inicialização fria inferiores a 20 segundos são incompatíveis com os prazos sub-milissegundo exigidos para controle em malha fechada.

Estratégias de implantação existentes enfrentam limitações significativas:

• Execução Local Monolítica: Executar todas as etapas (sensoriamento, percepção, planejamento, controle) no robô satura o hardware acelerado por IA, levando a altas taxas de violação de prazos (relatadas empiricamente acima de 40% em bancadas de teste).
• Descarga Estática para a Borda: Transferir permanentemente tarefas para servidores de borda expõe o laço de controle a jitter de rede e variabilidade de latência, o que pode violar envelopes de segurança.
• Posicionamento Adaptativo Atual (ATP): Controladores adaptativos existentes tipicamente relocam apenas uma única etapa de pipeline baseada em regras de limiar binário. Eles carecem de um modelo formal multiestágio, não otimizam uma função de custo multiobjetivo e não oferecem resistência analítica à oscilação de posicionamento de tarefas (chatter).

O desafio central é projetar uma camada de orquestração em tempo de execução que posicione dinamicamente pipelines de controle multiestágio através de um continuum Nuvem-Nevoeiro-Borda, respeitando orçamentos de tempo de malha fechada e garantindo estabilidade.

2. Metodologia

Os autores propõem uma estrutura de Posicionamento Dinâmico de Tarefas (DTP) Consciente de Qualidade de Serviço (QoS) baseada em Grafo Acíclico Direcionado (DAG).

A. Modelagem do Sistema

• Pipeline como um DAG: O pipeline de sensoriamento–percepção–planejamento–controle é formalizado como um DAG $G=(V, E_G)$ com quatro tarefas ($T_1$ a $T_4$).
• Invariantes Arquiteturais:
  • Etapas Ancoradas Rigorosamente: Sensoriamento ($T_1$) e Controle ($T_4$) são fixados ao hardware físico do robô ($R_1$ e $R_2$) para preservar laços de reflexo locais sub-milissegundo.
  • Espaço de Adaptação Relocável: Percepção ($T_2$) e Planejamento ($T_3$) são permitidos a migrar entre o robô e um servidor de borda ($E$).
• Malha de Computação: O sistema considera um conjunto de nós $N = R \cup E \cup C$, interconectados por redes industriais em tempo real (LAN, TSN ou 5G-URLLC).

B. Função de Custo Consciente de QoS
A estrutura opera sobre janelas de observação de $W$ ciclos de controle. Define uma função de custo multiobjetivo $J_k$ para a janela $k$:
$$J_k = \alpha_L \tilde{L}_{95,k} + \alpha_V VD_k + \alpha_r \tilde{U}_{r,k} + \alpha_e \tilde{U}_{e,k} + \alpha_S S(\pi_k, \pi_{k-1})$$

• Métricas:
  • $\tilde{L}_{95,k}$: Latência ponta a ponta normalizada do 95º percentil (capturando o comportamento da cauda).
  • $VD_k$: Taxa de violação de prazos (principal SLA).
  • $\tilde{U}_{r,k}, \tilde{U}_{e,k}$: Utilização de CPU normalizada em robôs e servidores de borda.
• Penalidade de Alternância: O termo $S(\pi_k, \pi_{k-1})$ usa distância de Hamming para penalizar migrações frequentes, prevenindo "chatter de posicionamento" que degrada a estabilidade da rede.
• Pesos: Em configurações industriais, os pesos priorizam o cumprimento do SLA ($\alpha_V$) sobre latência bruta ($\alpha_L$) e estabilidade ($\alpha_S$).

C. Algoritmo e Restrições

• Conjunto de Candidatos: Para garantir tratabilidade no hardware de borda, o algoritmo avalia um conjunto pequeno e interpretável de posicionamentos $\Pi_{cand}$:
  • LOC: Totalmente local ($T_2, T_3$ em robôs).
  • SO: Descarga estática ($T_2, T_3$ na Borda).
  • HYB: Híbrido ($T_2$ na Borda, $T_3$ no Robô).
• Mecanismo de Histerese: O algoritmo DTP (Algoritmo 1) impõe estabilidade via:
  • Tempo Mínimo de Permanência ($N_{min}$): Previne inversões rápidas quando as métricas flutuam perto dos limiares.
  • Limiar de Melhoria de Custo ($\Delta_{min}$): A migração ocorre apenas se a redução de custo for estatisticamente significativa.
• Estimativa: Para posicionamentos não ativos, o sistema estima métricas de QoS usando perfilamento estático, emulação online (roteando uma fração de ciclos) ou escalonamento conservador.

3. Contribuições Principais

1. Modelo Formal de DAG: Um modelo de pipeline que distingue etapas críticas de segurança ancoradas rigidamente de um espaço de adaptação relocável, agnóstico ao substrato de rede subjacente.
2. Função de Custo Multiobjetivo: Uma função baseada em janelas que otimiza conjuntamente latência de cauda, taxas de violação de prazos, utilização de hardware e estabilidade de migração.
3. Algoritmo DTP Estabilizado: Um algoritmo que generaliza o posicionamento adaptativo de estágio único anterior para posicionamento de múltiplas tarefas concorrentes, incorporando histerese e penalidades de alternância para limitar a oscilação.
4. Roteiro de Validação: Um plano estruturado em duas fases envolvendo simulação de eventos discretos e testes de Hardware-in-the-Loop (HIL) em bancadas de teste robóticas físicas.

4. Resultados e Estratégia de Validação

Como um artigo em andamento (WiP), os autores apresentam uma estrutura teórica e uma análise qualitativa em vez de resultados empíricos finais.

• Análise Qualitativa: Os autores preveem que a política DTP convergirá para LOC sob condições adversas de rede (alto jitter), para SO sob estresse de CPU do robô, e para HYB quando recursos de computação e comunicação estiverem conjuntamente restritos.
• Roteiro de Validação:
  • Fase 1 (Simulação): Um simulador de eventos discretos testará a sensibilidade da função de custo e os limites de histerese contra cenários de estresse (ex.: injeção de falhas de rede Gaussiana, estresse de CPU).
  • Fase 2 (HIL): Uma bancada de teste modular de nuvem-borda-robótica fornecerá dados empíricos sobre perfis de computação e atrasos de rede para comparar o DAG-QoS DTP proposto contra as linhas de base LOC, SO e ATP de estágio único.

5. Significado e Alegações

O artigo alega abordar a lacuna de co-design "Controle–Comunicação–Computação (3C)" na automação industrial. Seu significado reside em:

• Determinismo em Tempo de Execução: Ao ancorar $T_1$ e $T_4$, a estrutura desacopla a segurança de atuação do estado da rede, preservando laços de reflexo sub-milissegundo.
• Adaptabilidade: O espaço relocável acomoda demandas heterogêneas de computação (incluindo cargas de trabalho emergentes de VLA/LLM) sem sobrecarregar hardware ou codificar decisões rigidamente.
• Garantia de Estabilidade: A penalidade de alternância baseada em distância de Hamming fornece uma garantia matematicamente limitada contra chatter de posicionamento, traduzindo-se em estabilidade observável do laço de controle.
• Maturidade Industrial: Os autores argumentam que um sistema não pode reivindicar credivelmente maturidade da Indústria 4.0 ou prontidão para automação agênica da Indústria 5.0 se não puder garantir uma taxa de violação de prazos ($VD$) de $\le 5\%$ em todo o envelope de implantação.

A estrutura é posicionada como uma "infraestrutura de tempo de execução" fundamental ou "Sistema Nervoso de PAI" que permite que agentes LLM e modelos VLA operem de forma confiável sob variabilidade real de computação e rede. Trabalhos futuros estão planejados para expandir o conjunto de posicionamentos candidatos, suportar frotas de múltiplos robôs e integrar adaptação online de hiperparâmetros.