[논문 리뷰] ROSCell: A ROS2-Based Framework for Automated Formation and Orchestration of Multi-Robot Systems

Jiangtao Shuai, Marvin Carl May외 2명|arXiv (Cornell University)|2026. 03. 24.

Robotics and Automated Systems인용 수 0

한 줄 요약

ROSCell은 ROS2 기반 프레임워크로 필요에 따라 고립된 다중 디바이스 셀을 형성하고, 컨테이너화된 로봇 소프트웨어를 디바이스-엣지-클라우드 자원 간에 오케스트레이션하며 K3s 기반 접근법보다 오버헤드가 더 낮습니다.

ABSTRACT

Modern manufacturing under High-Mix-Low-Volume requirements increasingly relies on flexible and adaptive matrix production systems, which depend on interconnected heterogeneous devices and rapid task reconfiguration. To address these needs, we present ROSCell, a ROS2-based framework that enables the flexible formation and management of a computing continuum across various devices. ROSCell allows users to package existing robotic software as deployable skills and, with simple requests, assemble isolated cells, automatically deploy skill instances, and coordinate their communication to meet task objectives. It provides a scalable and low-overhead foundation for adaptive multi-robot computing in dynamic production environments. Experimental results show that, in the idle state, ROSCell substantially reduces CPU, memory, and network overhead compared to K3s-based solutions on edge devices, highlighting its energy efficiency and cost-effectiveness for large-scale deployment in production settings. The source code, examples, and documentation will be provided on Github.

연구 동기 및 목표

• 유연한 매트릭스 생산을 요구하는 동적이고 필요에 따라 형성되는 이질적 컴퓨팅 셀의 구성을 촉진한다.
• 로봇 소프트웨어를 재사용 가능한 스킬으로 패키징하고 디바이스-엣지-클라우드 연속체 전반에 자동 배포를 가능하게 한다.
• 셀 형성, 스킬 인스턴스화 및 데이터 파이프라인 구성을 자동화하여 작업 목표를 달성한다.
• 쿠버네이스 기반 솔루션에 비해 유휴 상태 리소스 오버헤드를 줄이고 실제 로봇 작업에의 적용 가능성을 입증한다.

제안 방법

• ROSCell을 컨테이너화된 스킬과 두 역할의 노드 시스템(주 노드와 코디네이션 노드)을 갖춘 ROS2 기반 프레임워크로 도입한다.
• 런처(스킬 설명자)와 엔진(런타임)으로 구성된 스킬 모델을 정의한다.
• 다양한 노드 간의 자원 인지 할당을 수행하는 쿠버네티스 유사 스케줄러를 확장하여 CPU, 메모리, 디스크, GPU를 고려한 자원 관리를 반영한다.
• 필요 시 컨테이너 이미지를 빌드하고 환경 변수 기반 매개변수화를 통해 스킬 인스턴스를 배포하는 Docker 기반 배포를 사용한다.
• DDS 탐지 및 레지스트리 기반 메시지 처리 메커니즘을 활용해 셀 형성, 구성원 관리 및 작업 오케스트레이션을 관리한다.
• Raspberry Pi 클러스터에서 K3s에 대한 오버헤드를 평가하고 다-object 포즈 추정 사용 사례로 다중 객체 추정 적용을 시연한다.

실험 결과

연구 질문

• RQ1 ROSCell이 디바이스-엣지-클라우드 자원 전반에 걸쳐 필요에 따라 형성되는 이질적 셀을 효율적으로 형성하고 관리할 수 있는가?
• RQ2 ROSCell이 K3s 기반 접근법에 비해 유휴 상태 리소스 오버헤드를 감소시키면서도 확장 가능한 셀 형성을 유지하는가?
• RQ3 스킬 기반 오케스트레이션이 셀 내에서 작업을 적절한 배치 옵션 및 컴퓨트 리소스로 얼마나 잘 매핑하는가?
• RQ4 엣지 환경에서 ROS2 ROSCell 스킬을 실제 로봇 작업(예: 다중 객체 포즈 추정)에 배포했을 때의 성능 영향은 무엇인가?

주요 결과

• ROSCell은 Raspberry Pi 클러스터에서 K3s에 비해 유휴 CPU 및 메모리 오버헤드를 크게 감소시킨다.
• ROSCell은 K3s 마스터 기반 설정에 비해 네트워크 트래픽이 현저히 적다.
• 프레임워크는 필요 시 온-디맨드 크기 균형의 셀 형성 및 노드의 동적 합류/퇴장을 지원한다.
• 다중 객체 포즈 추정 사용 사례는 엣지 디바이스 간 ROS2 앱의 효과적인 통합 및 자동 배포 전략을 시연한다.
• 실험은 자원 사용 및 네트워크 부하를 낮추고 대규모 생산 배포에 적합한 에너지 효율적 작동을 보여준다.