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

Resumo Técnico: IDDMBSE – Integrando Engenharia de Sistemas Baseada em Dados e Baseada em Modelos

Declaração do Problema
Os Sistemas Ciber-Físicos (CPS) autônomos dependem cada vez mais de arquiteturas híbridas que intercalam componentes tradicionais baseados em modelos (cinemática, planejadores, controladores) com componentes de Aprendizado de Máquina e Inteligência Artificial (ML/IA) baseados em dados (redes de percepção, políticas aprendidas). Embora a Engenharia de Sistemas Baseada em Modelos (MBSE) forneça uma estrutura rigorosa para o design de sistemas complexos, ela carece de metodologias nativas para acomodar componentes baseados em dados. Por outro outro lado, a ML/IA oferece poderosas capacidades de inferência, mas frequentemente opera como uma "caixa preta" dentro do sistema, carecendo de rastreabilidade formal aos requisitos. As práticas industriais atuais tipicamente tratam os subsistemas de ML/IA como caixas pretas retroajustadas em estruturas baseadas em modelos, resultando em sistemas frágeis, ciclos de design lentos e argumentos de certificação fracos. Existe uma lacuna crítica na metodologia de Engenharia de Sistemas (SE) que abranja nativamente tanto o processo em V rigoroso e rastreável da MBSE quanto a natureza empírica e baseada em dados das modernas pilhas de autonomia.

Metodologia: IDDMBSE
O artigo propõe o IDDMBSE (Engenharia de Sistemas Integrada Baseada em Dados e Baseada em Modelos), uma metodologia que estende o processo em V padrão da MBSE ao adicionar uma camada de loop baseado em dados em cada etapa. A abordagem é ancorada no SysML como a representação central e trata a pilha de autonomia como um elemento arquitetural de primeira classe, em vez de uma carga útil opaca.

A metodologia é impulsionada por um repositório de requisitos, garantindo que os esforços baseados em dados sejam implantados apenas onde modelos de primeiros princípios são insuficientes para garantir a satisfação dos requisitos. O framework integra três extensões estruturais:

1. Aumentação Baseada em Dados: Cada etapa do processo em V (estrutura, comportamento, mapeamento, requisitos, trade-off, verificação) é aumentada por componentes de ML/IA, seus dados de treinamento e perfis de incerteza.
2. Modelagem da Pilha de Autonomia: A pilha de percepção-planejamento-controle é modelada como um bloco SysML com portas estruturais, comportamentais e paramétricas que se vinculam diretamente a implementações executáveis (ex: ROS 2).
3. Arquitetura de Trade-off Híbrida: A exploração do espaço de design combina otimização baseada em modelos (para componentes tratáveis) com avaliação baseada em dados (para componentes aprendidos).

Contribuições Principais: A Cadeia de Ferramentas
A metodologia é instanciada como uma cadeia de ferramentas interoperável e de código aberto composta por três ferramentas principais, todas acopladas através de um hub central de modelagem SysML:

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

   • Função: Mapeia arquiteturas de sistemas SysML para pilhas de autonomia ROS 2 executáveis para avaliação de desempenho escalável.
   • Mecanismo: Expõe um perfil SysML que vincula blocos de sistema a nós e parâmetros do ROS 2. O PERFECT sintetiza configurações de lançamento, distribui tarefas de simulação através de um pool de computação (usando Isaac Sim ou Gazebo) e agrega resultados de volta para diagramas paramétricos SysML.
   • Inovação: Diferente de suítes de benchmark padrão, o PERFECT mantém um "fio digital" onde as configurações de experimento são derivadas de e alimentam o modelo SysML, garantindo a rastreabilidade entre arquitetura e medição.

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

   • Função: Realiza a exploração do espaço de design híbrida, baseada em modelos e em dados.
   • Mecanismo: Decompõe o espaço de design em duas etapas:
     • Otimização Baseada em Modelo (MBO): Utiliza modelos de primeiros princípios para podar o espaço de design e gerar uma fronteira de candidatos Pareto-otimizados.
     • Otimização Baseada em Dados (DDO): Executa experimentos estatísticos nos candidatos sobreviventes usando o PERFECT como espinha dorsal de execução.
   • Inovação: Trata os requisitos como classes particionadas (baseadas em modelo vs. baseadas em dados) e utiliza diferenciação automática para classificar os requisitos por sensibilidade, fundamentando prioridades qualitativas em análises quantitativas.

3. VERITAS (VERIfication of Trusted Autonomous Systems):

   • Função: Fornece um fluxo de trabalho de garantia unificado combinando verificação formal, baseada em dados e em tempo de execução.
   • Mecanismo:
     • Verificação Matemática: Compila diagramas SysML em autômatos temporizados (UPPAAL) para prova formal.
     • Verificação Baseada em Dados: Utiliza campanhas de simulação do PERFECT para estimar taxas de falha e limites de confiança para modelos formais intratáveis.
     • Monitoramento em Tempo de Execução: Sintetiza observadores (ex: monitores de Lógica Temporal de Sinais) para detectar violações de especificação na pilha implantada.
   • Inovação: Um candidato de design só é considerado "garantido" se sobreviver a todos os três módulos de verificação, fornecendo um argumento de garantia multifacetado a partir de uma única fonte.

Resultos e Demonstrações
O framework foi demonstrado em um Robô Terrestre Autônomo Confiável (AGR) ao longo de seu ciclo de vida de desenvolvimento, utilizando um campo de testes de terreno contestado no NVIDIA Isaac Sim:

• Seleção de Suíte de Sensores (TRADES-X): A cadeia de ferramentas reduziu 8.192 configurações candidatas de sensores para 92 candidatos Pareto-ótimos via MBO, e posteriormente para 7 sobreviventes para avaliação baseada em dados, selecionando finalmente um único design recomendado.
• Planejamento de Trajetória Sensível ao Risco (PERFECT): O framework avaliou o planejador RA-RRT* contra o RRT* através de níveis variados de ruído e risco. Os resultados mostraram que a política avessa ao risco alcançou comprimentos de caminho de pior caso menores e menos falhas, com o PERFECT permitindo a campanha distribuída necessária para essas comparações.
• Verificação de Árvore de Comportamento (VERITAS): A ferramenta suportou a geração automatizada de modelos e síntese de monitoramento online a partir de especificações de Árvore de Comportamento, permitindo a verificação formal de planos de tarefas.
• Percepção Robusta (Predição Conformal): O sistema implementou predição conformal para envolver detectores de objetos com garantias livres de distribuição. O PERFECT gerou os dados necessários de loop fechado, rotulados com verdade de campo (ground-truth), para calibrar o sistema, enquanto o TRADES-X otimizou o trade-off entre margens de segurança e conservadorismo de navegação.
• Coordenação de Multi-Robôs Garantida: O framework escalou para uma equipe de robôs, decompondo requisitos de frota de alto nível em especificações de Lógica Temporal de Sinais (STL). O VERITAS verificou trajetórias executadas, identificando com sucesso uma leve violação no caminho de um robô que a síntese sozinha teria perdido.

Significância e Alegações
O artigo alega que o IDDMBSE aborda a causa raiz da lacuna de integração nos CPS autônomos: a falta de uma metodologia que trate componentes de ML/IA como cidadãos de primeira classe, orientados por requisitos, no processo em V. Ao integrar esses componentes em uma representação SysML unificada, o framework permite:

• Rastreabilidade: Vincular componentes de ML/IA, estrutura do sistema e requisitos através de um único modelo.
• Escalabilidade: Usar priors baseados em modelos para podar o espaço de design antes de gastar recursos empíricos escassos em avaliação baseada em dados.
• Garantia (Assurance): Fechar o loop entre modelos formais, evidências estatísticas e monitoramento em tempo de execução para apoiar a "Autonomia Confiável" (sistemas que se automonitoram e se ajustam sob garantias de segurança verificáveis).

Os autores observam que a implementação atual depende de ferramentas SysML v1, o que introduz uma infraestrutura "frágil e limitada a interfaces gráficas". O trabalho futuro foca em reformular o IDDMBSE sobre fundações SysML v2 / KerML para permitir composibilidade nativa da linguagem, integração baseada em API e um acoplamento mais estreito com IA agente para o processo em V.