[论文解读] 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 0

一句话总结

SUNSET 是一个基于 ROS2 的范例，用于在并发不确定性来自未知源的情境中评估自适应机器人系统，利用传感融合语义分割管线和不确定性注入机制来测试管理系统。

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.

研究动机与目标

• 提供一个现实且与机器人相关的工作负载，便于对基于架构的自适应进行可重复评估。
• 暴露来自未知源的不确定性，这些不确定性可映射到可能的自适应操作的 1:n 关系。
• 在 ROS2 环境中支持跨越自愈和自优化的并发不确定性。
• 通过将受控系统与管理系统分离并提供详细的集成/评估文档，实现公平比较。

提出的方法

• 实现一个基于 ROS2 的语义分割管线，结合 RGB 与深度传感融合以及一个训练好的机器学习模型。
• 引入不确定性注入器以扰动输入预处理并模拟现实降级。
• 暴露五种可观察的症状及其多种潜在根本原因，并支持并发不确定性。
• 提供基线的管理系统，基于可重用的 ROS2 接口的 MAPE-K 循环。
• 允许的自适应包括重新参数化、通信变更、激活/停用与重新部署。

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.

实验结果

研究问题

• RQ1 SUNSET 如何在机器人感知管线中模拟具有未知源的并发不确定性？
• RQ2 管理系统是否能够在 ROS2 范例中正确优先排序并使用常见 SAS 自适应来解决多种症状？
• RQ3 不确定性对分割性能和系统可用性有何影响，以及自适应如何缓解？

主要发现

• 在存在不确定性的基线结果的 IoU 约为 0.40，而在无不确定性时约为 0.47。
• 基线情景下管理系统的分辨率率和响应时间分别为 0.86 ± 0.24、1.65 ± 0.99 s。
• 在不确定性下的重新部署事件和停机时间的测量结果为重部署次数平均 1.25 ± 1.36、停机时间平均 5.66 ± 2.05 s。
• SunSET 支持跨 5 种症状的 11 种不确定性，并可通过熵基触发在高熵情形下重新校准。
• 该范例支持自适应机器人应用的所有常见自适应，包括重新参数化和节点级生命周期管理。

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