Constrained Scenario Adaptation in Flight Simulator Training using Conceptualized State Spaces

Resumen Técnico: Adaptación de Escenarios Restringidos en el Entrenamiento de Simuladores de Vuelo mediante Espacios de Estados Conceptualizados

Planteamiento del Problema
El sector de la aviación, guiado por la Hoja de Ruta de la IA 2.0 de la EASA, requiere que los sistemas de aprendizaje automático (ML) sean no solo precisos, sino también deterministas, interpretables, trazables a conceptos formalmente definidos, limitados por restricciones de seguridad explícitas y reconstruibles post-hoc. Los enfoques actuales para el entrenamiento adaptativo de pilotos suelen tratar al ML como un predictor no restringido sobre espacios de características latentes, aplicando las restricciones solo como filtros post-hoc. Esto crea una brecha metodológica: no existe una transformación formalmente definida que mapee la evidencia de entrenamiento heterogénea (combinando evaluaciones basadas en la teoría y telemetría del simulador) en adaptaciones de escenarios admisibles y que, simultáneamente, garantice el determinismo, la fundamentación semántica, el cumplimiento de las restricciones y la reconstruibilidad. Los enfoques de conceptualización existentes para sistemas ciberfísicos (CPS) no abordan explícitamente cómo integrar tales espacios de estados semánticamente fundamentados en arquitecturas de ML de seguridad crítica.

Metodología
El artículo propone un mapeo formal $\Phi: D_{raw} \rightarrow \Delta_{scenario}$ que descompone la transición desde los datos brutos hasta la adaptación del escenario en cuatro subpasos estructuralmente verificados. La arquitectura se instancia para el reconocimiento de pérdida de sustentación (stall) y el entrenamiento de recuperación dentro de los paradigmas de Entrenamiento Basado en Evidencia (EBT) y Entrenamiento y Evaluación Basados en Competencias (CBTA).

1. Construcción del Espacio de Estados Conceptualizado (RQ1):
   El sistema transforma la telemetría bruta heterogénea ($D_{raw}$) en un espacio de estados determinista y semánticamente fundamentado ($S$) utilizando un proceso de tres pasos:

• Discretización: La telemetría continua y las puntuaciones de evaluación se convierten en estados diagnósticos discretos ($Z$) mediante la detección de eventos y el establecimiento de umbrales.
• Asignación Semántica: Los estados diagnósticos se mapean a un conjunto finito de Palabras Clave de Vinculación Profunda (Deep-Linking Keywords, $K$) que representan Conocimientos, Habilidades y Actitudes (KSA), vinculando así el trabajo de conocimiento basado en la teoría con el desempeño en el simulador.
• Agregación: La evidencia se agrega en un estado de aprendiz unificado ($s_i$) que contiene puntuaciones KSA, rasgos de traza específicos de la maniobra, progreso instruccional y contexto. Este estado sirve como entrada para el componente de ML, asegurando que no se utilicen representaciones latentes o no restringidas.

2. Modelo de Adaptación Restringido (RQ2):
   La lógica de adaptación está gobernada por un Autómata Finito Determinista (DFA) que gestiona las fases instruccionales de forma independiente de la capa de ML. La política de adaptación opera dentro de un espacio de acciones admisibles estrictamente definido ($A_{allowed}$) restringido por:

• Control de Fase (Phase Gating): La adaptación solo se permite en fases instruccionales específicas.
• Contratos de Acción: Los parámetros del escenario (p. ej., velocidad del viento, altitud, repetición de la maniobra) están delimitados por límites regulatorios y de seguridad.
• Línea Base Basada en Reglas: Una política determinista basada en reglas ($\pi_{rule}$) sirve como referencia, seleccionando palabras clave de enfoque basándose en perfiles KSA y aplicando clases de adaptación basadas en umbrales (fuertes, moderadas, estables).

3. Aproximación de la Política Restringida (RQ2):
   Una política de ML ($\pi_{ML}$) se entrena para aproximar la línea base basada en reglas ($\pi_{rule}$) dentro del espacio restringido ($\Pi_c$).

• Restricciones de Aprendizaje: Se imponen restricciones de monotonicidad durante el entrenamiento (p. ej., un aumento en la habilidad no debe aumentar la probabilidad de una adaptación remedial).
• Restricciones de Inferencia: Un operador de proyección determinista ($P$) recorta las salidas del modelo al espacio de acciones admisibles y aplica el control de fase. Esto asegura que, incluso si el modelo de ML predice una acción inadmisible, la política ejecutada ($\pi_{exec}$) permanezca conforme por construcción.

4. Reconstruibilidad (RQ3):
   Cada decisión se registra en una traza persistente ($\tau$) que contiene entradas brutas, estados intermedios, salidas del modelo y resultados de la proyección, permitiendo una auditoría post-hoc completa.

Contribuciones Clave

1. Definición de Mapeo Formal: El artículo define la transición de la evidencia de entrenamiento heterogénea a la adaptación de escenarios admisibles como un mapeo determinístico $\Phi$ con cuatro propiedades estructurales: determinismo, fundamentación semántica, cumplimiento de restricciones y reconstruibilidad.
2. Construcción de Estado Determinista: Extiende los enfoques de conceptualización de CPS formalizando una construcción de espacio de estados de tres etapas (discretización, asignación semántica y agregación) que eleva la agregación heurística de palabras clave a una representación simbólica formal apta para el diagnóstico y la auditoría.
3. ML Arquitectónicamente Restringido: El ML se integra como una aproximación acotada de una política basada en reglas. La admisibilidad se garantiza por construcción mediante restricciones de monotonicidad, control instruccional determinista y un operador de proyección, en lugar de depender de un filtrado post-hoc.
4. Interpretabilidad Integrada: La interpretabilidad y la auditabilidad se tratan como propiedades arquitectónicas derivadas de la estructura del espacio de estados y las trazas de decisión persistentes, en lugar de como complementos post-hoc.

Resultos
El marco fue validado empíricamente como una prueba de concepto utilizando $N=160$ casos de política derivados de escenarios de entrenamiento de pérdida de sustentación, empleando una validación cruzada de grupo con $k=5$ para evitar la fuga de datos (data leakage).

• Desempeño: La política de ML restringida aproximó la línea base determinista con un Error Absoluto Medio (MAE) de perfil de $0.126 \pm 0.024$.
• Clasificación: El modelo logró una precisión de clasificación de enfoque de $0.631 \pm 0.080$, lo que representa una mejora de $+0.344$ sobre la línea base de clase mayoritaria ($0.288 \pm 0.042$).
• Análisis Semántico: El análisis SHAP reveló que, si bien ciertas palabras clave (p. ej., "gestión de energía") rara vez fueron seleccionadas como objetivos de enfoque explícitos, actuaron como variables significativas de configuración de la política, indicando que el modelo captura interacciones semánticas complejas en lugar de una simple replicación de reglas.
• Verificación: La verificación analítica confirmó que el sistema satisface las cuatro propiedades estructurales (P1–P4) por construcción, independientemente del tamaño del conjunto de datos.

Significancia y Reivindicaciones
El artículo afirma demostrar que la adaptación basada en ML puede ser estructuralmente compatible con sistemas ciberfísicos de entrenamiento de seguridad crítica sin sacrificar el determinismo o la auditabilidad. La significancia no reside en una adaptabilidad sin restricciones, sino en definir las condiciones formalmente especificadas bajo las cuales el ML puede operar dentro de un marco de seguridad crítica. Los autores declaran explícitamente que los resultados empíricos son una prueba de concepto; el tamaño de la muestra ($N=160$) es suficiente para demostrar la operabilidad y el cumplimiento de las restricciones, pero no respalda afirmaciones de generalización estadística a través de diferentes cohortes o categorías de maniobras. El trabajo identifica la generalización multi-cohorte y la caracterización formal de las condiciones de corrección para las decisiones de adaptación como los siguientes pasos necesarios. La arquitectura propuesta ofrece un patrón metodológico general para integrar el ML restringido en sistemas CPS de seguridad crítica, abordando específicamente el requisito de la EASA de una IA confiable, trazable y limitada en la aviación.