Resumen Técnico: Marco de Transformador Reforzado por Confianza Cuántica para la Navegación Autónoma Consciente de la Confianza

1. Declaración del Problema

La navegación autónoma en entornos de tráfico dinámico enfrenta desafíos significativos para predecir con precisión el movimiento, evaluar riesgos conscientes de la incertidumbre, optimizar rutas de manera eficiente y adaptar las estrategias de control. La literatura existente suele tratar estos desafíos de forma aislada:

• El enrutamiento consciente de la confianza en Redes Vehiculares Ad Hoc (VANET) se centra típicamente en la seguridad de la comunicación y el reenvío de paquetes, más que en la planificación de movimiento físico.
• Los enfoques de Aprendizaje por Refuerzo (RL) suelen optimizar el enrutamiento a nivel de red o la eficiencia energética, pero carecen de integración con la evaluación de la confianza conductual y la optimización asistida por computación cuántica para la selección de trayectorias.
• Los métodos de predicción de tráfico frecuentemente modelan la congestión agregada en lugar de las trayectorias futuras detalladas de los vehículos individuales vecinos, necesarias para una planificación de seguridad crítica en horizontes cortos.

En consecuencia, existe una brecha metodológica en la integración de la predicción de trayectorias futuras, la evaluación de la confianza conductual, la generación de candidatos dinámicamente factibles, la optimización asistida por computación cuántica y la toma de decisiones multiobjetivo adaptativa dentro de un marco de navegación autónoma unificado de bucle cerrado.

2. Metodología: El Marco QTR-Net

El artículo propone QTR-Net (Red de Transformador Reforzado por Confianza Cuántica), un marco unificado que integra nueve etapas secuenciales en un flujo de trabajo de bucle cerrado. El sistema opera procesando los historiales de los vehículos circundantes para estimar trayectorias futuras, convirtiendo la consistencia conductual y el riesgo en puntuaciones de confianza, y proyectándolas sobre un mapa de ocupación de confianza para guiar la planificación de rutas.

Componentes Principales:

1. Predicción de Trayectorias Basada en Transformers: Reemplaza los modelos tradicionales LSTM/CNN. Un codificador Transformer procesa las trayectorias históricas ($X$) para capturar dependencias temporales de largo alcance, mientras que un decodificador predice las trayectorias futuras ($\hat{Y}$) de los vehículos circundantes.
2. Estimación de Confianza Dinámica: Asigna una puntuación de confianza ($T_i$) a cada vehículo vecino basada en la estabilidad de la trayectoria, la consistencia de la conducción, la suavidad de la velocidad y el riesgo de colisión.
   $$T_i = \alpha S_i + \beta D_i + \gamma V_i + \delta C_i$$
3. Mapa de Ocupación de Confianza: Proyecta las puntuaciones de confianza sobre una cuadrícula. Las celdas reciben un costo de confianza acumulativo basado en el inverso de la confianza ($1 - T_i$) y la influencia de la ocupación, creando una representación espacial que penaliza las interacciones con vehículos de baja confianza o alto riesgo.
4. Generación de Candidatos Cinodinámicos: Un planificador RRT* cinodinámico genera 20 rutas candidatas dinámicamente factibles ($P$) que satisfacen las restricciones de movimiento del vehículo (dirección, aceleración) mientras respetan el Mapa de Ocupación de Confianza.
5. Formulación QUBO y Selección QAOA: El problema de selección de rutas multiobjetivo (que equilibra longitud, riesgo de colisión, tiempo, confianza y suavidad) se formula como un problema de Optimización Binaria Cuadrática sin Restricciones (QUBO). Se emplea el Algoritmo de Optimización Aproximada Cuántica (QAOA) como un mecanismo híbrido asistido por computación cuántica para seleccionar los cinco mejores candidatos optimizados del conjunto inicial de 20.
6. Ponderación Adaptativa Basada en PPO: En lugar de utilizar pesos fijos, la Optimización de Política Próxima (PPO) ajusta dinámicamente la importancia relativa de los objetivos de seguridad, eficiencia, suavidad, tiempo de viaje y confianza según el estado actual del tráfico y el riesgo.
7. Control del Vehículo: La trayectoria seleccionada se convierte en comandos de dirección, aceleración y frenado. Se activa el frenado de emergencia si el Tiempo para la Colisión (TTC) cae por debajo de 1.2 segundos.

3. Principales Contribuciones

El artículo describe siete contribuciones primarias:

1. Arquitectura Unificada: Un marco de bucle cerrado que integra la predicción por Transformer, el modelado de confianza dinámica, la planificación cinodinámica, la optimización asistida por computación cuántica y la ponderación adaptativa basada en PPO.
2. Modelado de Confianza Impulsado por la Predicción: Un enfoque novedoso que combina trayectorias futuras predichas con datos conductuales para crear una "representación de ocupación consciente de la confianza", abordando la brecha entre la confianza a nivel de comunicación y la planificación de movimiento.
3. Planificación de Múltiples Candidatos Cinodinámicos: Utilización de RRT* cinodinámico para generar trayectorias candidatas diversas y dinámicamente factibles.
4. Selección Híbrida Asistida por Computación Cuántica: Formulación de la selección de candidatos como un problema QUBO resuelto mediante QAOA para evaluar trayectorias prometedoras bajo múltiples objetivos.
5. Ponderación de Objetivos Adaptativa: Implementación de PPO para ajustar dinámicamente las prioridades de planificación (seguridad vs. eficiencia vs. confianza) en lugar de depender de pesos estáticos.
6. Evaluación Multiobjetivo Exhaustiva: Evaluación más allá de las métricas binarias de éxito/colisión, incluyendo desviación de carril, sacudida de dirección (jerk), TTC y exposición a la confianza.
7. Validación Estadística: Comparaciones rigurosas con líneas base y estudios de ablación apoyados por pruebas de Friedman y Wilcoxon corregidas con Holm para cuantificar las contribuciones de los componentes.

4. Resultados Experimentales

El marco fue evaluado en un entorno de simulación de alta fidelidad compatible con CARLA en Town03 y Town05, bajo tres condiciones climáticas (Despejado, Húmedo, Lluvia Fuerte), tres densidades de tráfico y cinco semillas aleatorias. El estudio comprendió 16,200 ejecuciones de simulación completadas con cero fallos de ejecución.

Métricas de Rendimiento (QTR-Net Completo):

• Tasa de Éxito: 65.33%
• Tasa de Colisión: 34.67%
• Tiempo de Viaje Medio: 11.841 s
• Longitud de Ruta Media: 67.975 m
• TTC Mínimo: 2.780 s
• Desviación de Carril Media: 0.01786 m

Hallazgos de Ablación y Comparación:

• Impacto del Transformer: Eliminar el Transformer aumentó la tasa de éxito al 69.78%, pero degradó significativamente otras métricas: la desviación de carril aumentó 11 veces (a 0.208 m), el tiempo de viaje aumentó aproximadamente un 5% y la exposición a la confianza aumentó diez veces. Esto sugiere que el Transformer mejora la calidad y estabilidad de la trayectoria, incluso si reduce ligeramente la frecuencia de éxito binario en su configuración actual.
• Módulo de Confianza: Su eliminación no cambió las tasas de éxito/colisión, pero alteró significativamente los márgenes de seguridad (TTC), la desviación de carril y la suavidad de la dirección, confirmando su papel en la regulación del riesgo conductual.
• QAOA: No tuvo un efecto significativo en las tasas de éxito o colisión, pero influyó significativamente en la desviación de carril y la sacudida de la dirección, indicando una contribución a la geometría de la ruta y la suavidad del control.
• PPO: Afectó significativamente el TTC mínimo, la estabilidad del carril y la exposición a la confianza, actuando como un mecanismo de compensación adaptativo en lugar de un maximizador directo del éxito.
• Significancia Estadística: Las pruebas de Friedman y Wilcox con corrección de Holm confirmaron diferencias estadísticamente significativas entre las configuraciones, destacando particularmente al Transformer como el componente más influyente en el comportamiento.

5. Significado y Reivindicaciones

El artículo afirma que QTR-Net demuestra con éxito la viabilidad de integrar el modelado predictivo, la confianza conductual, la optimización asistida por computación cuántica y el aprendizaje por refuerzo en un único flujo de navegación autónoma.

• Optimización Holística: A diferencia de los métodos convencionales que optimizan solo para la distancia geométrica o la evitación de colisiones, QTR-Net considera conjuntamente la factibilidad de la trayectoria, la confianza dinámica, la seguridad temporal y la dinámica del vehículo.
• Matiz Conductual: El marco demuestra que la calidad de la navegación no puede medirse únicamente mediante tasas de éxito/colisión; métricas como la desviación de carril, la suavidad de la dirección y la exposición a la confianza revelan diferencias conductuales distintas entre el marco propuesto y las líneas base.
• Limitaciones Moderadas: Los autores declaran explícitamente que los experimentos se realizaron en un entorno de simulación (adaptador de alta fidelidad compatible con CARLA) y no en un servidor en vivo o un vehículo físico. Reconocen que, aunque el marco es prometedor, la mayor tasa de éxito de la ablación "sin Transformer" indica que el componente predictivo requiere un mayor ajuste.
• Direcciones Futuras: El artículo identifica como trabajo futuro la validación del sistema en servidores CARLA en vivo y plataformas físicas, la extensión hacia la navegación cooperativa de múltiples agentes, la incorporación de fusión de sensores en tiempo real (LiDAR, radar) y la exploración de técnicas avanzadas de optimización cuántica.

En resumen, el artículo posiciona a QTR-Net no como una solución que supera universalmente a todas las líneas base en cada métrica, sino como un marco multiobjetivo estadísticamente distinguible que ofrece un perfil de navegación más estable, consciente de la confianza y geométricamente suave en escenarios de tráfico dinámico.