Resumen Técnico: AURA – Un Marco de Razonamiento Colaborativo para el Diagnóstico de Anomalías en Robótica Subacuática

Declaración del Problema

El despliegue seguro de vehículos submarinos autónomos (ROV) en entornos de misión crítica se ve obstaculizado por la incapacidad de los sistemas tradicionales de control tolerante a fallos y de detección e identificación de fallos (FDI) basados en modelos para gestionar anomalías imprevistas, novedosas o compuestas. Si bien los Gemelos Digitales (DT) detectan eficazmente las desviaciones del comportamiento nominal, carecen del razonamiento cognitivo necesario para hipotetizar las causas raíz de fallos no modelados. Por el contrario, el despliegue directo de Modelos de Lenguaje de Gran Escala (LLM) como decisores autónomos introduce riesgos significativos en cuanto a fiabilidad, transparencia y "alucinaciones" en dominios críticos. El desafío central es crear un sistema de diagnóstico que aproveche el vasto conocimiento y las capacidades de razonamiento de los LLM, manteniendo al mismo tiempo la seguridad, la confianza y la autoridad de los operadores humanos, particularmente en entornos submarinos remotos o seguros donde la conectividad a la nube puede no estar disponible.

Metodología: El Marco AURA

Los autores proponen AURA (Agente de Resiliencia Autónoma), un marco colaborativo que sinergiza la experiencia humana con el análisis impulsado por IA a través de una arquitectura de dos agentes y un proceso de "Destilación con el Humano en el Bucle" (Human-in-the-Loop Distillation).

1. Arquitectura y Componentes

• Línea Base del Gemelo Digital: AURA utiliza un Gemelo Digital basado en la física (implementado en el simulador Stonefish) que se ejecuta en paralelo con el ROV físico. Este compara la telemetría en tiempo real frente al comportamiento esperado del gemelo utilizando la Distancia de Mahalanobis para detectar desviaciones estadísticas. El sistema emplea estimación adaptativa para manejar la deriva ambiental, asegurando que solo las desviaciones abruptas inducidas por fallos activen el flujo de diagnóstico.
• Diseño de Doble Agente:
  • Agente A (Caracterización de Anomalías de Estado): Un LLM ligero, alojado localmente (4–12B de parámetros), que traduce los residuales numéricos de la telemetría en una descripción de problema estructurada en lenguaje natural. Opera sobre señales de alta frecuencia y está fundamentado en una Base de Datos Vectorial (VDB) local.
  • Agente B (Razonamiento de Diagnóstico): Un LLM más potente, también alojado localmente (27B de parámetros), que entabla un diálogo interactivo con el operador humano. Utiliza Generación Aumentada por Recuperación (RAG) para acceder a conocimiento externo (por ejemplo, manuales técnicos) y sintetiza hipótesis basadas en la caracterización del Agente A y la entrada del operador.
• Interfaz con el Humano en el Bucle: El operador humano actúa como el árbitro final. El sistema funciona como una herramienta de asesoramiento; el operador valida los diagnósticos y controla las acciones físicas. Esta interacción ocurre a través de tópicos de ROS 2, asegurando una integración fluida con los ecosistemas robóticos existentes.

2. El Bucle de Aprendizaje (Destilación con el Humano en el Bucle)

Una innovación crítica de AURA es su capacidad para aprender de cada sesión de diagnóstico sin un reentrenamiento computacionalmente costoso:

1. Diagnóstico: Cuando ocurre una anomalía, el Agente A caracteriza el problema. El Agente B y el operador colaboran para determinar la causa raíz.
2. Destilación: Una vez que el operador valida un diagnóstico, la sesión (datos brutos, caracterización, diálogo y diagnóstico final) se procesa en una tupla de entrenamiento concisa: (datos de anomalía brutos → caracterización correcta del problema).
3. Almacenamiento: Esta tupla se incrusta y se almacena en una Base de Datos Vectorial (VDB) local.
4. Recuperación: En encuentros futuros con anomalías similares, el Agente A recupera estos ejemplos destilados para refinar su caracterización inicial, pasando de una descripción genérica a una hipótesis específica orientada a la causa, reduciendo así la carga cognitiva y los turnos de diálogo requeridos por el humano.

Contribuciones Clave

El artículo describe cuatro contribuciones primarias:

1. Un Marco Colaborativo: Un sistema que preserva la autoridad del operador mientras utiliza LLMs para el análisis de la causa raíz, abordando la brecha de confianza en la robótica autónoma.
2. Arquitectura de Dos Agentes: Una separación de la percepción (Agente A) y el razonamiento (Agente B) que mejora la transparencia, la controlabilidad y la escalabilidad en hardware de borde (edge).
3. Aprendizaje de Diagnóstico Aumentado por Recuperación: Un mecanismo que acumula pares de anomalía-solución validados para apoyar el razonamiento basado en la experiencia, permitiendo que el sistema mejore progresivamente sin reentrenamiento.
4. Interfaz de Lenguaje Natural: Un método de diagnóstico intuitivo que permite a expertos no especializados en robótica participar eficazmente en el diagnóstico de anomalías.

Resultados Experimentales

El marco fue evaluado utilizando un BlueROV2 en un tanque de agua y un gemelo digital de Stonefish paralelo. El estudio comparó el rendimiento del sistema en dos fases: Primer Encuentro (VDB vacío) y Post-Destilación (VDB preparado con cinco ejemplos validados por humanos).

• Métricas: El rendimiento se midió mediante la Puntuación de Especificidad de Caracterización (CSS) (escala 1–5) y el número de Turnos de Diálogo requeridos para llegar a un diagnóstico.
• Hallazgos:
  • Primer Encuentro: El Agente A produjo caracterizaciones descriptivas y genéricas (CSS promedio: 2.7), requiriendo un promedio de 6.2 turnos de diálogo para llegar a una conclusión.
  • Post-Destilación: Tras aprender de las sesiones iniciales, el Agente A generó caracterizaciones específicas orientadas a la causa (CSS promedio: 4.8). Esto redujo la interacción humana en un 71%, bajando el promedio de turnos de diálogo a 1.8.
  • Generalización: El sistema demostró la capacidad de recuperar contexto relevante para nuevas anomalías no vistas dentro de las mismas clases (por ejemplo, perturbaciones de propulsores, anomalías de movimiento vertical/rotacional), confirmando la eficacia del enfoque de aprendizaje de pocos disparos (few-shot learning).

Significado y Reivindicaciones

El artículo posiciona a AURA como un paso hacia equipos humano-robot confiables y en mejora continua. Los autores afirman que el marco transforma con éxito la IA de una herramienta estática en un socio adaptativo al destilar la experiencia humana directamente en el modelo perceptivo del agente. Al mantener los LLM locales y al humano en el bucle para la validación, AURA aborda las preocupaciones de seguridad y fiabilidad asociadas con la toma de decisiones de los LLM totalmente autónomos.

Los autores enmarcan modestamente el trabajo actual como una prueba de concepto validada en un entorno de laboratorio controlado. Reconocen que el estudio depende de un único experto para la evaluación y que la brecha "sim-to-real" del gemelo digital requiere mayor investigación en despliegues de aguas abiertas. El trabajo futuro se dirige explícitamente hacia ensayos de campo con ingenieros externos, el refinamiento de parámetros hidrodinámicos para condiciones del mundo real y la exploración de la generación de conocimiento pre-misión automatizada mediante simulación. El artículo no pretende resolver todos los problemas de detección de anomalías, sino establecer un nuevo patrón para integrar la retroalimentación humana en el bucle de razonamiento de la IA.