[论文解读] MROS: Runtime Adaptation For Robot Control Architectures.

Carlos Hernández, Darko Bozhinoski+6 more|arXiv (Cornell University)|Oct 19, 2020

Advanced Software Engineering Methodologies参考文献 40被引用 6

一句话总结

该论文提出MROS，一种基于模型的运行 runtime 自适应框架，用于ROS机器人控制架构的运行时自适应。该框架使用形式化的OWL本体与SWRL规则来表示配置空间和任务需求，通过现成的推理机制实现自动化诊断与自适应，已在两个真实ROS系统中得到验证：双臂机械臂搭建金字塔任务，以及移动机器人在工厂环境中的导航任务，展示了在条件变化下有效实现动态重构的能力。

ABSTRACT

Known attempts to build autonomous robots rely on complex control architectures, often implemented with the Robot Operating System platform (ROS). These architectures need to be dynamically adaptable in order to cope with changing environment conditions, new mission requirements or component failures. The implementation of adaptable architectures is very often ad hoc, quickly gets cumbersome and expensive. We present a structured model-based framework for the adaptation of robot control architectures at run-time to satisfy set quality requirements. We use a formal meta-model to represent the configuration space of control architectures and the corresponding mission requirements. The meta-model is implemented as an OWL ontology with SWRL rules, enabling the use of an off-the-shelf reasoner for diagnostics and adaptation. The method is discussed and evaluated using two case studies of real, ROS-based systems: (i) for an autonomous dual arm mobile manipulator building a pyramid and (ii) a mobile robot navigating in a factory environment.

研究动机与目标

• 解决复杂ROS机器人控制架构中缺乏系统化、可扩展的运行时自适应机制的问题。
• 减少随时间推移变得难以维护的临时性、易出错的自适应机制。
• 使用结构化的元模型正式化机器人控制系统的配置空间与任务需求。
• 利用语义推理与现成工具实现自动化诊断与自适应。
• 在动态、关键任务条件下，在真实ROS系统上验证该框架。

提出的方法

• 该框架使用形式化的元模型（以OWL本体表达）来表示可能的控制架构配置及其相关质量需求的集合。
• 使用SWRL编码语义规则，以表达组件之间的约束与依赖关系，从而实现在系统状态上的自动化推理。
• 采用现成的语义推理器，用于检测不一致、验证配置，并在运行时推荐有效的自适应方案。
• 通过将控制组件、通信通道和任务目标建模为语义实体，将该框架与现有ROS系统集成。
• 通过监控系统状态和任务目标来触发运行时自适应，推理器推荐或执行配置变更。
• 通过两个案例研究展示了在真实ROS系统中实现集成与自适应：双臂移动机械臂和工厂环境中的移动机器人。

实验结果

研究问题

• RQ1 如何在ROS系统中系统化地建模并自动化机器人控制架构的运行时自适应？
• RQ2 使用OWL与SWRL的语义推理是否能有效在执行过程中诊断并推荐有效的配置变更？
• RQ3 形式化元模型在多大程度上能够捕捉复杂机器人控制系统的配置空间与质量需求？
• RQ4 该框架在具有任务目标变化或组件故障的现实动态环境中表现如何？
• RQ5 该方法是否可应用于多种机器人系统，而无需修改底层代码？

主要发现

• MROS框架成功实现了双臂移动机械臂在任务阶段变化和组件约束改变情况下的动态重构，完成了金字塔搭建任务。
• 在工厂导航案例中，系统在传感器故障和环境变化情况下自动适应，通过语义推理维持了任务连续性。
• 使用现成推理器结合OWL/SWRL实现了高效的诊断与自适应，无需开发自定义推理引擎。
• 形式化元模型成功捕捉了控制组件与任务目标之间的复杂依赖关系，支持一致且可验证的配置更新。
• 该框架减少了对临时性自适应逻辑的依赖，提升了控制架构的可维护性与可扩展性。
• 两个案例研究均表明，语义推理可在生产级ROS系统中支持实时自适应。