[论文解读] Formal Modelling and Analysis of a Self-Adaptive Robotic System

Juliane Päßler, Maurice H. ter Beek+3 more|arXiv (Cornell University)|Aug 28, 2023

Formal Methods in Verification被引用 4

一句话总结

本文提出了一种自适应自主水下航行器（AUV）在管道检测中使用的正式模型，采用两层架构：被管理子系统建模为带特征保护的随机转移系统，管理子系统建模为在有效特征配置间动态切换的动态控制器。利用ProFeat进行基于家族的随机模型检测，该方法可在单次分析运行中高效验证所有系统配置下的定量安全性和奖励属性，证明了其在不确定水下环境中实时适应的可行性。

ABSTRACT

Self-adaptation is a crucial feature of autonomous systems that must cope with uncertainties in, e.g., their environment and their internal state. Self-adaptive systems are often modelled as two-layered systems with a managed subsystem handling the domain concerns and a managing subsystem implementing the adaptation logic. We consider a case study of a self-adaptive robotic system; more concretely, an autonomous underwater vehicle (AUV) used for pipeline inspection. In this paper, we model and analyse it with the feature-aware probabilistic model checker ProFeat. The functionalities of the AUV are modelled in a feature model, capturing the AUV's variability. This allows us to model the managed subsystem of the AUV as a family of systems, where each family member corresponds to a valid feature configuration of the AUV. The managing subsystem of the AUV is modelled as a control layer capable of dynamically switching between such valid feature configurations, depending both on environmental and internal conditions. We use this model to analyse probabilistic reward and safety properties for the AUV.

研究动机与目标

• 为解决在运行时面对不确定环境和内部条件时，设计能够自适应的自主机器人系统所面临的挑战。
• 实现对具有运行时可变性的机器人系统所有有效配置下安全性和性能属性的高效验证。
• 证明使用特征模型和随机模型检测对自适应机器人系统进行建模与分析作为系统家族的可行性。
• 提供一种可扩展的、形式化的方法，用于验证自主水下航行器中的定量属性，如能耗和任务持续时间。
• 为未来在自适应信息物理系统中发现最优自适应策略和控制模式奠定基础。

提出的方法

• 使用捕捉功能可变性及其依赖关系的特征模型，将AUV的被管理子系统建模为系统家族。
• 将被管理子系统的行為表示为带特征保护的随机转移系统，确保仅在有效配置下启用转移。
• 将管理子系统建模为控制层，根据环境和内部状态观测结果，在特征配置间动态切换。
• 使用ProFeat（一种基于特征的随机模型检查器），在单次分析运行中对所有有效配置执行基于家族的模型检查。
• 通过为事件（如推进器故障和水下能见度变化）分配概率，整合环境不确定性。
• 定义并验证各种运行场景下的定量属性，如预期任务持续时间、能耗和安全性。

Figure 1 : Two-level SAS architecture

实验结果

研究问题

• RQ1 如何对具有动态可变性的自适应机器人系统进行形式化建模，以支持自动化验证？
• RQ2 在概率性环境不确定性下，不同特征配置对AUV能耗和任务持续时间有何影响？
• RQ3 单次模型检查运行是否能够分析机器人系统家族的所有有效配置，同时保持准确性和效率？
• RQ4 在管道检测过程中，特征配置之间的动态切换如何影响AUV的安全性和可靠性？
• RQ5 分析中涌现出的控制策略为何种更稳健的自适应逻辑设计提供了指导，以应用于现实世界中的AUV？

主要发现

• 该方法成功将AUV建模为系统家族，其中每个配置对应一个有效特征集，从而实现对可变性的整体分析。
• 使用ProFeat进行基于家族的模型检查，使在单次执行中高效验证所有配置下的随机奖励和安全性属性成为可能。
• 分析提供了在不同环境条件和特征配置下预期任务持续时间和能耗的定量估计。
• 已验证安全性属性，确保AUV在推进器故障或能见度低的条件下仍能保持运行完整性。
• 模型表明，较高高度运行可降低推进器故障概率，但需要足够的水下能见度以维持感知能力，因此动态高度切换成为关键的自适应策略。
• 结果表明，可通过此类形式化分析发现最优自适应策略，为未来控制器优化工作提供支持。

Figure 2 : Feature model of the case study