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
• Authors: Mohamed Benchat, Dominique Briechle, Raj Chanchad, Mitbhai Chauhan, Meet Chavda, Ruidi He, Dhruv Jajadiya, Dhruv Kapadiya, Nidhiben Kaswala, Daniel Osterholz, Andreas Rausch, Meng Zhang,
• 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

• 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)
• 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。