IDDMBSE：面向可信自主网络物理系统的数据驱动与基于模型的系统工程集成方法
自主网络物理系统（CPS）处于基于模型的系统工程（MBSE）与数据驱动机器学习/人工智能（ML/AI）的交汇点，但尚无一种系统工程（SE）方法论原生涵盖两者。本文提出IDDMBSE，一种集成数据驱动与基于模型的系统工程方法，在严格的MBSE V流程每一步扩展数据驱动循环，并基于SysML、自主栈及混合模型驱动与数据驱动权衡架构。通过开源工具链PERFECT（将SysML系统架构映射到可执行ROS自主栈用于可扩展性能评估）、TRADES-X（将设计空间探索分解为基于模型的优化阶段与数据驱动的评估阶段）和VERITAS（结合形式化、数据驱动与运行时验证于统一保障工作流）实例化该方法。在可信自主地面机器人全生命周期上演示，包括传感器套件选择、风险敏感路径规划、行为树任务验证、基于共形预测的鲁棒感知以及多机器人协调，均在发布的Isaac Sim测试环境中进行。最后概述了正在SysML v2/KerML基础上重构IDDMBSE，以实现语言原生组合性和更紧密的ML/AI集成。
自主网络物理系统（CPS）正处在基于模型的系统工程（MBSE）与数据驱动机器学习/人工智能（ML/AI）的交汇点上。然而，目前尚无一种系统工程（SE）方法论能够原生地同时涵盖这两大领域。这一缺失严重制约了复杂自主系统在设计、验证和部署过程中的效率与可信性。为了填补这一空白，约翰·S·巴拉斯（John S. Baras）及其合作者提出了IDDMBSE（集成数据驱动与基于模型的系统工程）方法论。
IDDMBSE的核心创新在于，它在严格遵循MBSE V流程的每一个步骤中，都嵌入了一个数据驱动循环。具体而言，该方法以SysML建模语言、自主系统软件栈以及一种混合模型驱动与数据驱动权衡架构为基石。V流程中的每个阶段——从需求分析、系统设计到实现与测试——都配有数据反馈机制，从而使得系统设计能够持续从运行数据中学习和优化。
为了将这一方法论付诸实践，研究团队开发了一套相互协作的开源工具链，包括三个主要组件：PERFECT、TRADES-X和VERITAS。PERFECT工具能够将SysML系统架构自动映射到可执行的ROS自主栈上，从而支持大规模系统性能的评估；TRADES-X将设计空间探索分解为模型基优化与数据驱动评估两个阶段，有效提升搜索效率；而VERITAS则融合了形式化验证、数据驱动验证以及运行时验证，形成一个统一的系统保障工作流。这些工具的全部代码和文档均已开源发布。
为验证IDDMBSE的有效性，研究团队在一种可信自主地面机器人上进行了全生命周期演示。演示涵盖了多个关键任务：传感器套件的选择、风险敏感路径规划、行为树任务验证、基于共形预测的鲁棒感知以及保证多机器人协调。所有实验均在研究团队发布的Isaac Sim测试环境中进行，该环境模拟了复杂地形下的对抗场景。
最后，论文指出IDDMBSE正在被重新构建于SysML v2/KerML基础之上。这一迁移旨在利用新一代建模语言的语言原生组合性，实现与ML/AI组件更紧密的集成，从而为未来更复杂的自主系统开发奠定更加坚实的基础。