Résumé Technique : Ensemble Neuronal à Boîte Blanche pour la Plasticité Véhiculaire

Énoncé du Problème

Les systèmes de contrôle de véhicules autonomes font face à une tension fondamentale entre la plasticité (la capacité à s'adapter à des régimes opérationnels variables, tels que des changements de friction ou de masse du véhicule, sans réentraînement) et la vérifiabilité (l'exigence de modèles transparents et analysables pour la certification de sécurité, ex. ISO 26262).

Les solutions de pointe actuelles reposent souvent sur :

1. Des modèles compilés et opaques : Des outils comme acados ou L4CasADi génèrent un code efficace mais déplacent la vérification vers la provenance de la génération de code, manquant ainsi d'introspection symbolique au moment de l'exécution (runtime).
2. Des modèles d'apprentissage monolithiques : Les approches de type Modèles de Fondation Universels ou de fine-tuning en ligne souffrent du dilemme stabilité-plasticité, risquant l'instabilité en boucle fermée et l'oubli catastrophique.
3. Une adaptation implicite : Des méthodes comme Neural-Fly ajustent le comportement via des approximateurs de fonctions mais manquent souvent de transparence structurelle explicite.

Il existe un manque de compréhension concernant le coût d'efficacité spécifique du maintien d'une représentation symbolique entièrement traversable d'un ensemble neuronal au sein d'un cadre de Contrôle Prédictif de Modèle Non Linéaire (NMPC). Cet article examine si une auditabilité stricte en boîte blanche peut être atteinte au prix d'une surcharge de calcul significative.

Méthodologie

Architecture : Souveraineté Modulaire

Les auteurs proposent un NMPC adaptatif à boîte blanche basé sur un paradigme de « Souveraineté Modulaire » (inspiré par HYDRA). Au lieu d'entraîner un modèle monolithique unique ou d'estimer les paramètres physiques en ligne, le système construit la dynamique du véhicule comme une combinaison convexe de spécialistes neuronaux gelés et spécifiques à chaque régime.

• Formulation de la Dynamique : La dynamique effective globale est définie par $\dot{\hat{x}}(t) = \sum_{i=1}^{N} w_i \cdot \Psi_i(x(t), u(t))$, où $\Psi_i$ sont des réseaux de neurones gelés (spécialistes) et $w$ est un vecteur de gouvernance contraint par le simplexe ($\sum w_i = 1, w_i \ge 0$).
• Contrainte Géométrique : Cette formulation confine la dynamique du système à l'enveloppe convexe des spécialistes, empêchant l'extrapolation au-delà de la famille de modèles entraînés et permettant l'interpolation pour des configurations de véhicules non vues (hétérogénéité de la flotte).

Mécanisme d'Adaptation : Le Gouverneur

Un module Gouverneur estime les poids de mélange ($w$) en temps réel pour s'adapter aux changements de régime (ex. changements de friction, variations de masse).

• Régression : Le Gouverneur minimise l'erreur entre les dérivées d'état mesurées (approximées par différences finies) et la sortie de l'ensemble.
• Lissage : Les poids sont lissés à l'aide d'une Moyenne Mobile Exponentielle (EMA) pour supprimer les oscillations à haute fréquence.
• Déploiement Zero-Shot : La bibliothèque de spécialistes est construite via une stratégie de sélection gourmande du pire cas sur un jeu de données synthétique hybride (échantillonnage uniforme + trajectoires de type « chirp ») afin de garantir la couverture des comportements de gestion des limites.

Implémentation : Auditabilité Symbolique

Pour atteindre une transparence maximale, l'ensemble est implémenté à l'aide de représentations entièrement symboliques dans CasADi SX.

• Contrairement aux approches compilées, le solveur parcourt le graphe de calcul symbolique explicite des réseaux de neurones à chaque itération.
• Cela permet une inspection directe du graphe de dérivées (transparence structurelle), bien que les poids neuronaux eux-mêmes restent sémantiquement opaques.
• Entraînement : Huit Réseaux de Neurones Informés par la Physique (PINNs) sont entraînés via un protocole hybride (Adam suivi de L-BFGS) pour minimiser à la fois la perte de données et les contraintes de cohérence cinématique, atteignant un RMSE de $\approx 4 \times 10^{-6}$.

Contributions Clés

1. Intégration NMPC Symbolique : La présentation d'un ensemble épars de spécialistes neuronaux gelés intégrés dans un cadre NMPC à boîte blanche conçu pour la plasticité véhiculaire sous des contraintes strictes d'auditabilité.
2. Quantification du Coût de Transparence : Une caractérisation rigoureuse de la surcharge de calcul induite par le maintien d'une rétention symbolique non linéaire complète. L'étude isole le « prix de l'efficacité » d'une implémentation stricte en boîte blanche.
3. Validation Fonctionnelle : Démonstration que l'architecture résout avec succès le problème de la plasticité (gestion des changements brusques de friction, de masse et de traînée) malgré les coûts de calcul identifiés, validée par simulation synchrone.

Résultats

Benchmarks de Calcul (Phase I)

L'étude quantifie un compromis significatif entre vitesse et auditabilité :

• Latence du Solveur : L'ensemble neuronal symbolique subit un ralentissement de 72× à 102× par rapport aux modèles physiques paramétriques optimisés.
  • F1TENTH (échelle 1:10) : Temps de résolution de 535 ms (contre 7,38 ms pour la physique).
  • ORCA (échelle 1:43) : Temps de résolution de 545 ms (contre 5,35 ms pour la physique).
• Goulot d'étranglement : Le ralentissement est structurel. Environ 96 % du temps est consommé par l'évaluation du NLP (parcours du graphe symbolique pour générer les Jacobiens), tandis que le solveur linéaire prend un temps négligeable.
• Latence d'Adaptation : Malgré la surcharge du solveur, le mécanisme d'adaptation est rapide (~7,3 ms), ce qui est nettement plus rapide que les approches de recompilation JIT (~752 ms).

Validation de la Plasticité Fonctionnelle (Phase II)

Évalué sur une piste de course autonome sous des changements de régime composés :

• Niveau 1 (ODE Idéal) : Le contrôleur adaptatif atteint une performance proche du plafond, limitant la dégradation de position à +12,9 % et atteignant une atténuation de 97,5 % par rapport à une base non adaptative lors des changements de friction.
• Niveau 2 (ODE Bruité) : Le système reste stable sous le bruit des capteurs, confirmant que l'incertitude aléatoire ne déstabilise pas le Gouverneur.
• Niveau 3 (Neural PINNs) :
  • Entraînement Naïf (Niveau 3a) : Résulte en une dérive de position dangereuse de l'ordre du mètre.
  • Entraînement Hybride (Niveau 3b) : Avec le protocole d'entraînement raffiné, le système réduit l'écart par rapport au plafond de l'ODE idéal. L'erreur de position reste < 0,1 m, représentant une réduction de 35× de l'erreur de suivi par rapport à la base naïve.
• Changements Composés : Le système gère avec succès les changements simultanés de friction, de masse et de traînée, démontrant une robustesse absente dans les bases non adaptatives.

Signification et Revendications

L'article positionne ce travail comme une preuve de concept et une référence (baseline) pour les compromis entre transparence structurelle et vitesse d'exécution.

• Le « Coût de Calcul des Zéros » : Les auteurs affirment que le ralentissement de 72–102× est une taxe structurelle fixe du maintien d'une introspection complète au moment de l'exécution. Le moteur de Différentiation Automatique (AD) passe la majorité de son temps à parcourir des chemins denses pour vérifier les contributions éparses.
• Sécurité vs Vitesse : Le travail soutient que, bien que la vérifiabilité synchrone stricte interdise actuellement le déploiement sur matériel en temps réel, l'architecture résout fonctionnellement le problème de la plasticité véhiculaire. Le coût de calcul achète une « marge de sécurité » : la capacité de gérer l'incertitude épistémique et les changements de régime composés sans sortir de l'enveloppe convexe vérifiée de la bibliothèque de modèles.
• Feuille de Route Future : Les auteurs ne prétendent pas que l'implémentation actuelle est prête pour un déploiement. Ils suggèrent plutôt que la faible densité des Jacobiens (~3,6 %) indique un potentiel pour une élagage basé sur la sensibilité afin de compresser le graphe. Ils proposent également une architecture asynchrone qui pourrait découpler la latence d'adaptation de la latence du solveur, permettant potentiellement de réconcilier plasticité et vitesse, bien qu'au prix d'une auditabilité synchrone stricte.
• Conclusion : L'étude valide qu'un contrôleur adaptatif à boîte blanche est théoriquement viable et fonctionnellement efficace, offrant une voie transparente pour résoudre le dilemme stabilité-plasticité, à condition que les travaux futurs traitent le mur de l'efficacité de calcul.