Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction
本文提出了一种增强的基于代理的多层级方法，通过利用优化的大语言模型提示和分阶段恢复策略，克服现有节点级方法的局限性，从而在复杂的现实世界 ROS 2 系统中恢复分层软件架构。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你拥有一个由团队历经数年搭建而成的庞大而复杂的乐高套装。原始的说明书要么遗失了，要么从一开始就从未被写下。你手中剩下的，只有散落的积木、它们原本所在的盒子，以及关于如何将它们拼接在一起的零散笔记。
你的目标是什么？重建原始的说明书，以便你理解整个机器如何运作、各部件如何连接，以及在它损坏时如何修复。
本文正是关于如何做到这一点，但针对的是机器人软件（具体而言，是使用名为ROS 2的工具构建的系统）。
问题：“幽灵”指令
在机器人领域，软件通常以片段形式编写。一人编写摄像头代码，另一人编写机械臂代码，第三人编写传送带代码。他们将工作保存在不同的文件中。将这些部分“粘合”在一起的“胶水”——即告知计算机先启动哪一部分以及它们如何相互通信——隐藏于“启动文件”和零散的代码注释之中。
这就像拥有一份食谱：食材清单写在一个笔记本里，而混合步骤却藏在另一个笔记本中，烤箱温度则潦草地写在一张餐巾纸上。如果你试图仅通过查看食材来猜测整份食谱，可能会出错。你可能会因为看到笔记上的某个数字，就以为蛋糕应该在 500 度下烘烤，而实际上那个数字指的是烤箱的照明灯。
此前，研究人员尝试使用**人工智能（大语言模型）**来阅读这些零散笔记并猜测完整食谱。但人工智能有时会感到困惑，编造事实（产生幻觉），或者未能理解不同部分之间的层级关系（例如由小型机器组成的大型机器）。
解决方案：分阶段的“侦探”方法
本文作者改进了他们的人工智能侦探方法。他们不再让人工智能一次性猜测全貌，而是将任务分解为三个清晰的步骤，并利用“蓝图”（一套严格的规则）来引导人工智能保持正轨。
这就像是一个拥有三个专业团队的建筑工地：
团队 1：库存清点员（NodeAnalyzer）
首先，人工智能扫描所有代码文件，生成一份简单清单：“这是我们找到的所有独立机器人部件。”它列出每一个机械臂、摄像头和传感器，并精确记录它们在代码中的位置。- 类比： 这就像在搭建之前，先按颜色和形状将所有乐高积木分类堆放。
团队 2：蓝图阅读者（LaunchFileAnalyzer）
接下来，人工智能查看“启动文件”（即关于如何启动机器人的指令）。它确定哪些部件被激活、它们的命名方式以及它们如何被分组。它创建一张依赖关系图：“摄像头在机械臂移动之前启动，且它们都属于‘视觉’组。”- 类比： 这就像阅读组装说明书，查看哪些积木拼接在一起形成轮子，以及哪些轮子安装在车身之上。
团队 3：总建筑师（SystemArchitectureTeam）
最后，人工智能结合来自团队 1 的部件清单和来自团队 2 的连接地图，构建最终的高层架构图。由于它拥有中间列表，因此无需猜测，只需遵循证据即可。- 类比： 这就像建筑师绘制最终房屋蓝图，由于掌握了库存清单和组装笔记，他们确切知道每一块砖和每一根电线的去向。
测试："BrickByBrick"机器人
为了测试这一新方法，研究人员使用了一个名为BrickByBrick的真实机器人系统。这是一个专为拆解由建筑积木构成的复杂结构而设计的机器人。它包含：
- 两个机械臂（Alice 和 Bob）。
- 用于观察积木的摄像头。
- 用于移动积木的传送带。
- 一个“大脑”，负责规划如何在不破坏积木的情况下将它们拆解。
该系统比他们先前研究中使用的简单示例要复杂得多。它涉及多种不同类型的软件协同工作。
结果
新的“分阶段”方法效果显著：
- 准确性： 人工智能几乎正确识别了每一个部件和连接（在复杂系统级地图上的准确率达到 98%）。
- 可靠性： 它没有编造虚假连接。它绘制的每一条连接都有实际代码证据支持。
- 改进： 与旧方法相比，它在理解不同部件如何分组方面有了显著提升。
核心结论
本文表明，如果你想理解复杂机器人的软件，就不应仅仅要求人工智能“猜测全貌”。相反，你应该为人工智能提供一个结构化流程：
- 列出部件。
- 映射组装指令。
- 基于这些事实构建最终架构图。
这种方法使人工智能更加可靠，将混乱的代码堆转化为清晰、易懂的架构地图。然而，作者承认，如果机器人在运行过程中行为发生变化（动态变化），当前方法在捕捉这些移动目标方面仍略有困难。但对于理解系统的静态结构而言，这是一个巨大的进步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。