Supporting Robotic Software Migration Using Static Analysis and\n Model-Driven Engineering
Notice bibliographique
Résumé
The wide use of robotic systems contributed to developing robotic software\nhighly coupled to the hardware platform running the robotic system. Due to\nincreased maintenance cost or changing business priorities, the robotic\nhardware is infrequently upgraded, thus increasing the risk for technology\nstagnation. Reducing this risk entails migrating the system and its software to\na new hardware platform. Conventional software engineering practices such as\ncomplete re-development and code-based migration, albeit useful in mitigating\nthese obsolescence issues, they are time-consuming and overly expensive. Our\nRoboSMi model-driven approach supports the migration of the software\ncontrolling a robotic system between hardware platforms. First, RoboSMi\nexecutes static analysis on the robotic software of the source hardware\nplatform to identify platform-dependent and platform-agnostic software\nconstructs. By analysing a model that expresses the architecture of robotic\ncomponents on the target platform, RoboSMi establishes the hardware\nconfiguration of those components and suggests software libraries for each\ncomponent whose execution will enable the robotic software to control the\ncomponents. Finally, RoboSMi through code-generation produces software for the\ntarget platform and indicates areas that require manual intervention by robotic\nengineers to complete the migration. We evaluate the applicability of RoboSMi\nand analyse the level of automation and performance provided from its use by\nmigrating two robotic systems deployed for an environmental monitoring and a\nline following mission from a Propeller Activity Board to an Arduino Uno.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».