自律サイバーフィジカルシステム（CPS）は、モデルベースシステムエンジニアリング（MBSE）とデータ駆動型機械学習/人工知能（ML/AI）の交差点に位置しています。しかし、両方をネイティブにカバーする統合システムエンジニアリング（SE）手法はこれまで存在しませんでした。このギャップに対処するため、ジョン・S・バラス（John S. Baras）とその共同研究者らは、IDDMBSE（Integrated Data-Driven and Model-Based Systems Engineering）手法を提案しました。
IDDMBSEの核心は、厳格なMBSE Vプロセスの各ステップにデータ駆動ループを組み込むことです。具体的には、SysMLモデリング言語、自律システムソフトウェアスタック、およびハイブリッドモデルベース＋データ駆動トレードオフアーキテクチャに基づいています。Vプロセスの各段階（要件分析、設計、実装、テスト）にデータフィードバックが導入され、システム設計が運用データから継続的に学習・最適化できるようになります。
この手法を具現化するために、研究チームは相互運用可能なオープンソースツールチェーンを開発しました。PERFECTはSysMLシステムアーキテクチャを実行可能なROS自律スタックにマッピングし、スケーラブルな性能評価を実現します。TRADES-Xは設計空間探索をモデルベース最適化段階とデータ駆動評価段階に分解し、探索効率を向上させます。VERITASは形式検証、データ駆動検証、実行時検証を単一の保証ワークフローに統合します。これらのツールはすべてオープンソースとして公開されています。
IDDMBSEの有効性を検証するため、研究チームは信頼できる自律地上ロボットを用いて開発ライフサイクル全体にわたるデモンストレーションを実施しました。デモには、センサースイート選択、リスク感応経路計画、行動木タスク検証、コンフォーマル予測に基づくロバスト認識、および保証されたマルチロボット調整が含まれ、すべて研究チームが公開したIsaac Simテスト環境で実行されました。
最後に、論文はIDDMBSEがSysML v2/KerML基盤上で再構築中であることを述べています。この移行は、次世代モデリング言語のネイティブな構成可能性を活用し、ML/AIコンポーネントとのより緊密な統合を可能にし、将来のより複雑な自律システム開発の基盤を築くことを目的としています。