[論文レビュー] SUNSET -- A Sensor-fUsioN based semantic SegmEnTation exemplar for ROS-based self-adaptation

Andreas Wiedholz, Rafael Paintner+3 more|arXiv (Cornell University)|Jan 20, 2026

Advanced Software Engineering Methodologies被引用数 0

ひとこと要約

SUNSETは、未知源を含む同時的不確実性を評価するROS2ベースの自己適応ロボティクスの標準例であり、センサフュージョン型セマンティックセグメンテーションパイプラインと不確実性注入機構を用いて管理システムをテストする。

ABSTRACT

The fact that robots are getting deployed more often in dynamic environments, together with the increasing complexity of their software systems, raises the need for self-adaptive approaches. In these environments robotic software systems increasingly operate amid (1) uncertainties, where symptoms are easy to observe but root causes are ambiguous, or (2) multiple uncertainties appear concurrently. We present SUNSET, a ROS2-based exemplar that enables rigorous, repeatable evaluation of architecture-based self-adaptation in such conditions. It implements a sensor fusion semantic-segmentation pipeline driven by a trained Machine Learning (ML) model whose input preprocessing can be perturbed to induce realistic performance degradations. The exemplar exposes five observable symptoms, where each can be caused by different root causes and supports concurrent uncertainties spanning self-healing and self-optimisation. SUNSET includes the segmentation pipeline, a trained ML model, uncertainty-injection scripts, a baseline controller, and step-by-step integration and evaluation documentation to facilitate reproducible studies and fair comparison.

研究の動機と目的

• アーキテクチャベースの自己適応評価を反復可能に行える、現実的でロボティクスに関連するワークロードを提供する。
• 未知源を持つ不確実性を露出し、1:nの可能な適応へマッピングする。
• 自己回復と自己最適化を跨ぐ同時的不確実性をROS2設定でサポートする。
• managedシステムとmanagingシステムを分離し、統合/評価ドキュメントを詳述することで公正な比較を可能にする。

提案手法

• RGBおよび深度センサ融合とトレーニング済みMLモデルを用いたROS2ベースのセマンティックセグメンテーションパイプラインを実装する。
• 入力前処理を攪乱し現実的な劣化をシミュレートする不確実性注入機構を導入する。
• 5つの観測可能な症状を複数の根本原因と結びつけ、同時的不確実性をサポートする。
• 再利用可能なROS2インターフェースを備えたMAPE-Kループに基づくベースラインのマネジングシステムを提供する。
• 再パラメータ化、通信変更、活性化/非活性化、再デプロイを含む適応を許容する。

Figure 1. Overview SUNSET. Managed system and additional components are part of SUNSET. The managing system can be exchanged without adaptation in any of the Robot Operating System nodes.

実験結果

リサーチクエスチョン

• RQ1 SUNSETはロボット知覚パイプラインで未知源を伴う同時的不確実性をどのようにシミュレートできるか。
• RQ2 マネジングシステムはROS2標準例において共通のSAS適応を用いて複数の症状を正しく優先付け・解決できるか。
• RQ3 不確実性がセグメンテーション性能とシステム可用性に及ぼす影響と、適応がそれをいかに緩和するか。

主な発見

Managing system	u_resolved/s_executed	t_react_s	redeploy_u	t_down_s	IoU
None w/o uncertainties	N/A	N/A	N/A	N/A	0.47 ± 0.02
None w/ uncertainties ( WARNING & OK )	N/A	N/A	N/A	N/A	0.28 ± 0.08
Baseline	0.86 ± 0.24	1.65 ± 0.99	1.25 ± 1.36	5.66 ± 2.05	0.40 ± 0.10

• ベースラインの結果は、不確実性ありでIoUが約0.40、なしで約0.47。
• ベースラインシナリオでのマネジングシステムの解決率と反応時間は、それぞれ0.86 ± 0.24、1.65 ± 0.99 sと報告。
• 不確実性下での再デプロイイベントと停止時間は、再デプロイ回数が平均1.25 ± 1.36、ダウンタイムが平均5.66 ± 2.05 s。
• SunSETは5つの症状にわたって11の不確実性をサポートし、高エントロピーケースの再校正をエントロピー基準のトリガで可能にする。
• この標準例は自己適応ロボットアプリケーション向けの一般的なすべての適応（再パラメータ化、ノードレベルのライフサイクル管理を含む）を有効にする。

Figure 2. The effect of different uncertainties on the entropy of our segmentation model. This refers to symptom S4.