論文の概要: Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents

• arxiv url: http://arxiv.org/abs/2602.18644v1
• Date: Fri, 20 Feb 2026 22:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.216059
• Title: Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents
• Title（参考訳）: LLMエージェントを用いたコードと起動構成からのROS 2システムの階層構造モデリングと復元
• Abstract要約: サブシステムレベルのリコールは、暗黙的な起動セマンティクスによるリポジトリの複雑さを伴う。 産業規模のコードサブセットを含む,3つのROS2リポジトリに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 3.4923417716883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model-Driven Engineering (MDE) relies on explicit architecture models to document and evolve systems across abstraction levels. For ROS~2, subsystem structure is often encoded implicitly in distributed configuration artifacts -- most notably launch files -- making hierarchical structural decomposition hard to capture and maintain. Existing ROS~2 modeling approaches cover node-level entities and wiring, but do not make hierarchical structural (de-)composition a first-class architectural view independent of launch artifacts. We contribute (1) a UML-based modeling concept for hierarchical structural architectures of ROS~2 systems and (2) a blueprint-guided automated recovery pipeline that reconstructs such models from code and configuration artifacts by combining deterministic extraction with LLM-based agents. The ROS~2 architectural blueprint (nodes, topics, interfaces, launch-induced wiring) is encoded as structural contracts to constrain synthesis and enable deterministic validation, improving reliability. We evaluate the approach on three ROS~2 repositories, including an industrial-scale code subset. Results show high precision across abstraction levels, while subsystem-level recall drops with repository complexity due to implicit launch semantics, making high-level recovery the remaining challenge.
• Abstract（参考訳）: モデル駆動工学(MDE)は抽象レベルを越えてシステムを文書化し進化させる明示的なアーキテクチャモデルに依存している。 ROS~2では、サブシステム構造はしばしば、分散構成アーティファクト(特に起動ファイル)に暗黙的にエンコードされる。 既存のROS~2モデリングアプローチはノードレベルのエンティティと配線をカバーしているが、階層構造(de-)をローンチアーティファクトとは無関係にファーストクラスのアーキテクチャビューにするものではない。 我々は,(1)ROS~2システムの階層構造アーキテクチャのためのUMLベースのモデリング概念と(2)LLMベースのエージェントと決定論的抽出を組み合わせることで,コードや構成アーティファクトからそのようなモデルを再構築するブループリント誘導自動リカバリパイプラインに寄与する。 ROS~2アーキテクチャの青写真(ノード、トピック、インターフェース、起動によって引き起こされる配線)は、合成を制約し、決定論的検証を可能にし、信頼性を向上させる構造契約として符号化されている。 産業規模のコードサブセットを含む,3つのROS~2リポジトリに対するアプローチを評価した。 結果は、抽象化レベル全体にわたって高い精度を示し、サブシステムレベルのリコールは、暗黙のローンチセマンティクスによるリポジトリの複雑さによって減少し、高レベルのリカバリが残る課題となっている。

関連論文リスト

• Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
  Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。 提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。 この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
  論文  参考訳（メタデータ） (2026-07-23T02:46:11Z)
• LEMUR 2: Unlocking Neural Network Diversity for AI [28.96525007010618]
  LEMUR 2では、ニューラルネットワークの多様性を解放するために、大規模で統一された生成、評価、デプロイメントパイプラインが導入されている。 14,000以上の異なるアーキテクチャと、750,000以上の構造化されたトレーニング記録からなり、モデルのパフォーマンスが記録されている。 このデータセットは、再現性とデータ駆動型AI設計の新たな基盤を定義し、LLM駆動型AutoMLの新たなパラダイムを推進している。
  論文  参考訳（メタデータ） (2026-07-07T22:21:53Z)
• Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction [3.9110999693215724]
  ROS2ベースのロボットシステムでは、構造的(デ-)分解と統合的セマンティクスは、しばしば分散アーティファクト間で暗黙的に符号化される。 既存のアプローチは主にノードレベルのエンティティと通信配線に重点を置いており、階層アーキテクチャを回復するための限定的なサポートを提供している。 これまでに提案した,ROS2システムのためのLCM支援アーキテクチャ回復パイプラインを,2つの大きな拡張を通じて拡張した。
  論文  参考訳（メタデータ） (2026-05-19T16:14:33Z)
• ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
  テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。 既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。 本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。 複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-10T06:09:41Z)
• Benchmarking Requirement-to-Architecture Generation with Hybrid Evaluation [8.867061253116367]
  大規模言語モデル(LLM)は、ソフトウェアエンジニアリングタスクの自動化において大きな可能性を証明している。 要件文書からソフトウェアアーキテクチャ設計を生成することは、ソフトウェア開発における重要なステップである。 R2ABenchは、さまざまな現実世界のソフトウェアプロジェクトと、包括的製品要求文書(PRD)と専門家による参照図を組み合わせた、新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-04-08T04:58:36Z)
• Unified Architecture Metamodel of Information Systems Developed by Generative AI [0.0]
  本研究では,中小企業が選択したアーキテクチャフレームワークに基づいたLLM指向アプリケーションのための統一アーキテクチャ構築の課題について検討する。 いくつかの重要なアーキテクチャ図をカバーし、変換のクローズドサイクルをサポートするフレームワーク構造が提案されている。 実験では、アーキテクチャ図の形式で構造化されたアーキテクチャコンテキストを使用する場合、生成されたドキュメントとコードの安定した品質を実証した。
  論文  参考訳（メタデータ） (2026-03-31T19:22:15Z)
• HCAG: Hierarchical Abstraction and Retrieval-Augmented Generation on Theoretical Repositories with LLMs [12.68443002994035]
  Hierarchical Code/Architecture-Guided Agent Generation (HCAG)は、階層的な知識よりも構造化され計画指向のプロセスとしてリポジトリレベルのコード生成を再構築するフレームワークである。 HCAGは、コード品質、アーキテクチャコヒーレンス、要求パス率において、代表的なリポジトリレベルのメソッドを大幅に上回る。 AGTで実証されているが、HCAGパラダイムは、他のドメインにおける構造化されたアライメントから複雑なシステムをマイニング、再利用、生成するための一般的な青写真を提供する。
  論文  参考訳（メタデータ） (2026-03-19T07:41:52Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• ReusStdFlow: A Standardized Reusability Framework for Dynamic Workflow Construction in Agentic AI [11.130786494338876]
  ReusStdFlowは、新しい抽出・構築のパラダイムを中心にしたフレームワークである。 それは、トポロジ構造と機能的セマンティクスの両方の検索を容易にするために、二重知識アーキテクチャ統合グラフとベクトルデータベースを利用する。 200の現実世界のn8nでテストされ、抽出と構築の両方で90%以上の精度を達成している。
  論文  参考訳（メタデータ） (2026-02-16T16:56:53Z)
• ArchAgent: Scalable Legacy Software Architecture Recovery with LLMs [44.137226823695066]
  ArchAgentはスケーラブルなエージェントベースのフレームワークで、静的解析、適応コードセグメンテーション、LLMによる合成を組み合わせている。 クロスリポジトリから、マルチビューでビジネスに整合したアーキテクチャを再構築する。 ArchAgentは、コンテキストプルーニングによるスケーラブルなダイアグラム生成を導入し、クロスリポジトリデータを統合して、ビジネスクリティカルなモジュールを識別する。
  論文  参考訳（メタデータ） (2026-01-19T12:39:05Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• LLM$\times$MapReduce-V3: Enabling Interactive In-Depth Survey Generation through a MCP-Driven Hierarchically Modular Agent System [55.33058620876928]
  LLM x MapReduce-V3 は、長期サーベイ生成のための階層的モジュラーエージェントシステムである。 システムは研究の視点を捉えて包括的な骨格を生成し、それを詳細な調査へと発展させる。 人間の評価から,本システムはコンテンツ深度と長さの両方において,代表的ベースラインを超越していることが示された。
  論文  参考訳（メタデータ） (2025-10-13T01:38:37Z)
• HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
  HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。 構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
  論文  参考訳（メタデータ） (2025-04-13T06:55:33Z)
• Refinement Module based on Parse Graph for Human Pose Estimation [9.106514619168536]
  Parse Graphに基づく新しいコンテキスト関係と階層構造モデリングモジュールRMPGを提案する。 RMPGは、特徴写像のトップダウン分解とコンテキスト情報付きサブノード特徴写像のボトムアップ合成により特徴写像を適応的に洗練する。 様々な主流のヒューマン・ポース推定ネットワークにプラグインとして柔軟に組み込むことができる。
  論文  参考訳（メタデータ） (2025-01-19T15:05:15Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Residual Attention Net for Superior Cross-Domain Time Sequence Modeling [0.0]
  本稿では新しいアーキテクチャのコンセプト実証として機能し、RANはモデルにシーケンスパターンのより高レベルな理解を提供することを目的としている。 その結果,35の最先端結果が得られたが,10の結果が現在の最先端結果と一致し,さらなるモデル微調整は行われなかった。
  論文  参考訳（メタデータ） (2020-01-13T06:14:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。