IDDMBSE：面向可信自主網絡物理系統的數據驅動與基於模型的系統工程集成方法
自主網絡物理系統（CPS）處於基於模型的系統工程（MBSE）與數據驅動機器學習/人工智能（ML/AI）的交匯點，但尚無一種系統工程（SE）方法論原生涵蓋兩者。本文提出IDDMBSE，一種集成數據驅動與基於模型的系統工程方法，在嚴格的MBSE V流程每一步擴展數據驅動循環，並基於SysML、自主棧及混合模型驅動與數據驅動權衡架構。通過開源工具鏈PERFECT（將SysML系統架構映射到可執行ROS自主棧用於可擴展性能評估）、TRADES-X（將設計空間探索分解為基於模型的優化階段與數據驅動的評估階段）和VERITAS（結合形式化、數據驅動與運行時驗證於統一保障工作流）實例化該方法。在可信自主地面機器人全生命週期上演示，包括傳感器套件選擇、風險敏感路徑規劃、行為樹任務驗證、基於共形預測的魯棒感知以及多機器人協調，均在發佈的Isaac Sim測試環境中進行。最後概述了正在SysML v2/KerML基礎上重構IDDMBSE，以實現語言原生組合性和更緊密的ML/AI集成。
自主網絡物理系統（CPS）正處在基於模型的系統工程（MBSE）與數據驅動機器學習/人工智能（ML/AI）的交匯點上。然而，目前尚無一種系統工程（SE）方法論能夠原生地同時涵蓋這兩大領域。這一缺失嚴重製約了複雜自主系統在設計、驗證和部署過程中的效率與可信性。為了填補這一空白，約翰·S·巴拉斯（John S. Baras）及其合作者提出了IDDMBSE（集成數據驅動與基於模型的系統工程）方法論。
IDDMBSE的核心創新在於，它在嚴格遵循MBSE V流程的每一個步驟中，都嵌入了一個數據驅動循環。具體而言，該方法以SysML建模語言、自主系統軟件棧以及一種混合模型驅動與數據驅動權衡架構為基石。V流程中的每個階段——從需求分析、系統設計到實現與測試——都配有數據反饋機制，從而使得系統設計能夠持續從運行數據中學習和優化。
為了將這一方法論付諸實踐，研究團隊開發了一套相互協作的開源工具鏈，包括三個主要組件：PERFECT、TRADES-X和VERITAS。PERFECT工具能夠將SysML系統架構自動映射到可執行的ROS自主棧上，從而支持大規模系統性能的評估；TRADES-X將設計空間探索分解為模型基優化與數據驅動評估兩個階段，有效提升搜索效率；而VERITAS則融合了形式化驗證、數據驅動驗證以及運行時驗證，形成一個統一的系統保障工作流。這些工具的全部代碼和文檔均已開源發佈。
為驗證IDDMBSE的有效性，研究團隊在一種可信自主地面機器人上進行了全生命週期演示。演示涵蓋了多個關鍵任務：傳感器套件的選擇、風險敏感路徑規劃、行為樹任務驗證、基於共形預測的魯棒感知以及保證多機器人協調。所有實驗均在研究團隊發佈的Isaac Sim測試環境中進行，該環境模擬了複雜地形下的對抗場景。
最後，論文指出IDDMBSE正在被重新構建於SysML v2/KerML基礎之上。這一遷移旨在利用新一代建模語言的語言原生組合性，實現與ML/AI組件更緊密的集成，從而為未來更復雜的自主系統開發奠定更加堅實的基礎。