在CyberRT中支持自动驾驶框架的时间相关指标

《ACM Transactions on Design Automation of Electronic Systems》：Supporting Timing-related Metrics for Autonomous Driving Frameworks in CyberRT

CytberRT作为Apollo自动驾驶框架的专用运行时，其执行模型与时间相关指标（如最大反应时间、数据年龄）的正式化分析尚未充分公开。本文通过代码逆向分析，建立了端到端与节点级的时间指标映射，开发了配套监控库，并在实际自动驾驶场景中验证了其有效性，成功捕获了超出传统端到端监控范围的潜在时序问题。

　　

摘要

日益先进的自主软件功能的实现基于前沿的自动驾驶框架，使得多个软件组件之间能够进行模块化交互。这种方法有助于支持从多个传感器到执行器的功能性因果链。由于（软件）组件交互的复杂性，确定系统时序行为的正确性变得更加困难。这是因为传统的时序相关指标（如最坏情况执行时间和最坏情况响应时间）无法捕捉输入采样时间与基于这些输入进行计算的时间之间的相互依赖关系。为了捕捉因果链中的时序要求，人们考虑了补充性的时序相关指标，例如最大反应时间和最大数据老化时间，这些指标通常具有端到端的范围。这些指标已在基于ROS2的汽车和自动驾驶系统中得到了形式化和验证[44, 46]。然而，这些指标的形式化对于推导分析性的下限和上限以及在运行时监控它们至关重要，这在很大程度上取决于运行时提供的执行模型和语义。任何具体应用这些指标都需要根据实际情况进行定制和调整。

Apollo Auto是一个流行的、工业级的开源自动驾驶框架，其在工业和学术项目中的采用率不断提高。Apollo基于CyberRT这一专用运行时环境构建，该环境在机制和意图上与ROS2相似，但在执行模型和支持的语义方面有所不同。与ROS2相比，CyberRT专门为Apollo AD框架设计，且在文献中缺乏详细的文档和深入分析，尤其是在执行模型和时序相关指标的实例化方面。

在这项工作中，我们首次对CyberRT的执行模型和语义进行了深入分析和讨论，研究基于其原始且文档不完善的代码库。基于所识别的语义，我们详细阐述了CyberRT上时序相关指标的形式化，涵盖了不同的粒度范围，即端到端和节点级别。特别是，我们强调了节点级别时序属性的重要性，以便在潜在的时序问题对端到端执行产生严重影响之前及时发现它们。

我们为CyberRT执行模型提供了一套全面的时序相关指标的映射，涵盖了端到端和节点级别，并开发了一个监控库，用于在特定软件栈中捕获这些指标。我们在一组Apollo自动驾驶场景中测试了这个库，证明了其在监控时序指标方面的有效性，并能够及时发现超出端到端执行范围的微妙时序问题。