Синтез программного обеспечения и отслеживание элементов принятия решений в беспилотных роботизированных системах

Элементы принятия решений в роботизированных системах, создаваемые вручную, содержат потенциальные ошибки, которые зачастую остаются незамеченными на этапе разработки и проявляются лишь при реальном развертывании системы. Такие дефекты могут привести к серьезным последствиям, включая повреждение робототехнического оборудования и угрозу безопасности окружающей среды, в том числе людей, находящихся в зоне функционирования робота. Для минимизации издержек на этапе проектирования и одновременного усиления гарантий безопасной эксплуатации беспилотных систем предлагается подход, основанный на моделировании элементов принятия решений на абстрактном концептуальном уровне с последующим автоматическим преобразованием этих моделей в исполняемый программный код. Дополнительно реализуется механизм непрерывного отслеживания корректности работы данных элементов в режиме реального времени. В рамках исследования представлены два специализированных программных инструмента: первый осуществляет компиляцию концептуальных моделей элементов принятия решений в готовый к выполнению код, второй автоматически создает системы мониторинга времени выполнения на основе разработанных моделей. Эффективность предложенных инструментов продемонстрирована в ходе симуляционных экспериментов, подтверждающих преимущества интеграции модельно-ориентированной разработки, автоматической генерации кода и динамического мониторинга.

1. Brunke L., Greeff M., Hall A. W., Yuan Z., Zhou S., Panerati J., Schoellig A. P. Safe Learning in Robotics: From Learning-Based Control to Safe Reinforcement Learning. Annual Review of Control, Robotics, and Autonomous Systems, vol. 5, 2022, pp. 411-444. DOI: 10.1146/annurev-control-042920-020211.

2. Li W., Ribeiro P., Miyazawa A. et al. Formal Design, Verification and Implementation of Robotic Controller Software via RoboChart and RoboTool. Autonomous Robots, vol. 48, 2024, art. 14. DOI: 10.1007/s10514-024-10163-7.

3. Dust L., Gu T., Mubeen S., Ekström M., Seceleanu C. A Model-Based Approach to Automation of Formal Verification of ROS 2-Based Systems. Frontiers in Robotics and AI, vol. 12, 2025, art. 1592523. DOI: 10.3389/frobt.2025.1592523.

4. Portugal D., Rocha R. P., Castilho J. P. Inquiring the Robot Operating System Community on the State of Adoption of the ROS 2 Robotics Middleware. International Journal of Intelligent Robotics and Applications, vol. 9, 2025, pp. 454-479. DOI: 10.1007/s41315-024-00393-4.

5. Gugliermo S., Cáceres Domínguez D., Iannotta M., Stoyanov T., Schaffernicht E. Evaluating Behavior Trees. Robotics and Autonomous Systems, vol. 178, 2024, art. 104714. DOI: 10.1016/j.robot.2024.104714.

6. Merino-Fidalgo S., Sánchez-Girón C., Zalama E., Gómez-García-Bermejo J., Duque-Domingo J. Behavior Tree Generation and Adaptation for a Social Robot Control with LLMs. Robotics and Autonomous Systems, vol. 194, 2025, art. 105165. DOI: 10.1016/j.robot.2025.105165.

7. Ögren P., Sprague C. I. Behavior Trees in Robot Control Systems. Annual Review of Control, Robotics, and Autonomous Systems, vol. 5, no. 1, 2022, pp. 81-107. DOI: 10.1146/annurev-control-042920-095314.

8. Serbinowska S. S., Johnson T. T. BehaVerify: Verifying Temporal Logic Specifications for Behavior Trees. In: Software Engineering and Formal Methods (SEFM 2022). LNCS, vol. 13550. Springer, 2022, pp. 307-323. DOI: 10.1007/978-3-031-17108-6_19.

9. Ruiz-Celada O., Rosell J., Suárez R. Knowledge-Based Execution Configuration for Adaptive Behavior Trees. Journal of Intelligent & Robotic Systems, vol. 112, 2026, art. 49. DOI: 10.1007/s10846-026-02373-1.

10. Iovino M., Förster J., Falco P., Chung J. J., Siegwart R., Smith C. On the Programming Effort Required to Generate Behavior Trees and Finite State Machines for Robotic Applications. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), 2023, pp. 5807–5813. DOI: 10.1109/ICRA48891.2023.10160972.

11. Casalaro G. L., Cattivera G., Ciccozzi F., Malavolta I., Wortmann A., Pelliccione P. Model-Driven Engineering for Mobile Robotic Systems: A Systematic Mapping Study. Software and Systems Modeling, vol. 21, 2022, pp. 19-49. DOI: 10.1007/s10270-021-00908-8.

12. Elekes M., Molnár V., Micskei Z. Assessing the Specification of Modelling Language Semantics: A Study on UML PSSM. Software Quality Journal, 2023. DOI: 10.1007/s11219-023-09617-5.

13. Caldas R. D., García J. A. P., Schiopu M., Pelliccione P., Rodrigues G., Berger T. Runtime Verification and Field-Based Testing for ROS-Based Robotic Systems. IEEE Transactions on Software Engineering, vol. 50, no. 10, 2024, pp. 2544-2567. DOI: 10.1109/TSE.2024.3444697.

14. Dürschmid T., Timperley C. S., Garlan D., Le Goues C. ROSInfer: Statically Inferring Behavioral Component Models for ROS-Based Robotics Systems. In: Proceedings of the IEEE/ACM 46th International Conference on Software Engineering (ICSE ’24), 2024, Article 144, 13 pp. DOI: 10.1145/3597503.3639206.

15. Pelletier B., Lesire C., Godary-Dejean K. A Formal Framework for the Specification and Verification of Robotic Skills Composition for Autonomous Behaviors. Robotics and Autonomous Systems, vol. 192, 2025, art. 105041. DOI: 10.1016/j.robot.2025.105041.