Constrained Scenario Adaptation in Flight Simulator Training using Conceptualized State Spaces

Résumé technique : Adaptation de scénarios contraints dans la formation sur simulateur de vol via des espaces d'états conceptualisés

Énoncé du problème
Le secteur de l'aviation, guidé par la feuille de route de l'EASA pour l'IA 2.0, exige que les systèmes d'apprentissage automatique (ML) soient non seulement précis, mais aussi déterministes, interprétables, traçables vers des concepts formellement définis, limités par des contraintes de sécurité explicites et reconstructibles a posteriori. Les approches actuelles de l'adaptation de la formation des pilotes se concentrent souvent sur un prédicteur non contraint sur des espaces de caractéristiques latentes, n'appliquant des contraintes que sous forme de filtres post-hoc. Cela crée un fossé méthodologique : il n'existe aucune transformation formellement définie qui cartographie les preuves de formation hétérogènes (combinant les évaluations basées sur la théorie et la télémétrie du simulateur) en des adaptations de scénarios admissibles tout en garantissant simultanément le déterminisme, l'ancrage sémantique, la conformité aux contraintes et la reconstructibilité. Les approches de conceptualisation existantes pour les systèmes cyber-physiques (CPS) n'abordent pas explicitement comment intégrer de tels espaces d'états sémantiquement ancrés dans des architectures de ML critiques pour la sécurité.

Méthodologie
L'article propose une application formelle $\Phi: D_{raw} \rightarrow \Delta_{scenario}$ qui décompose la transition des données brutes vers l'adaptation de scénario en quatre étapes structurellement vérifiées. L'architecture est instanciée pour la reconnaissance et la récupération du décrochage dans le cadre des paradigmes de l'Evidence-Based Training (EBT) et du Competency-Based Training and Assessment (CBTA).

1. Construction de l'espace d'états conceptualisé (RQ1) :
   Le système transforme les mesures brutes hétérogènes ($D_{raw}$) en un espace d'états déterministe et sémantiquement ancré ($S$) via un processus en trois étapes :

   • Discrétisation : La télémétrie continue et les scores d'évaluation sont convertis en états de diagnostic discrets ($Z$) via la détection d'événements et le seuillage.
   • Assignation sémantique : Les états de diagnostic sont mappés vers un ensemble fini de mots-clés de liaison profonde (Deep-Linking Keywords, $K$) représentant les Connaissances, Compétences et Attitudes (KSA), liant ainsi le travail théorique de connaissances à la performance en simulateur.
   • Agrégation : Les preuves sont agrégées en un état d'apprenant unifié ($s_i$) contenant les scores KSA, les caractéristiques de trace spécifiques aux manœuvres, la progression pédagogique et le contexte. Cet état sert d'entrée pour le composant ML, garantissant qu'aucune représentation latente ou non contrainte n'est utilisée.

2. Modèle d'adaptation contraint (RQ2) :
   La logique d'adaptation est régie par un automate fini déterministe (DFA) qui gère les phases d'instruction indépendamment de la couche ML. La politique d'adaptation opère dans un espace d'actions admissibles strictement défini ($A_{allowed}$) contraint par :

   • Verrouillage de phase : L'adaptation n'est permise que dans des phases d'instruction spécifiques.
   • Contrats d'action : Les paramètres du scénario (ex. : vitesse du vent, altitude, répétition de la manœuvre) sont limités par des normes réglementaires et de sécurité.
   • Base par règles : Une politique déterministe basée sur des règles ($\pi_{rule}$) sert de référence, sélectionnant les mots-clés de focalisation en fonction des profils KSA et appliquant des classes d'adaptation par seuil (forte, modérée, stable).

3. Approximation de politique contrainte (RQ2) :
   Une politique de ML ($\pi_{ML}$) est entraînée pour approximer la base de référence par règles ($\pi_{rule}$) au sein de l'espace contraint ($\Pi_c$).

   • Contraintes d'apprentissage : Des contraintes de monotonicité sont imposées pendant l'entraînement (ex. : une augmentation de la compétence ne doit pas augmenter la probabilité d'une adaptation de remédiation).
   • Contraintes d'inférence : Un opérateur de projection déterministe ($P$) limite les sorties du modèle à l'espace d'actions admissibles et impose le verrouillage de phase. Cela garantit que même si le modèle ML prédit une action inadmissible, la politique exécutée ($\pi_{exec}$) reste conforme par construction.

4. Reconstructibilité (RQ3) :
   Chaque décision est enregistrée dans une trace persistante ($\tau$) contenant les entrées brutes, les états intermédiaires, les sorties du modèle et les résultats de la projection, permettant une auditabilité complète a posteriori.

Contributions clés

1. Définition de la cartographie formelle : L'article définit la transition des preuves de formation hétérogènes vers l'adaptation de scénario admissible comme une application déterministe $\Phi$ possédant quatre propriétés structurelles : déterminisme, ancrage sémantique, conformité aux contraintes et reconstructibilité.
2. Construction déterministe de l'état : Il étend les approches de conceptualisation des CPS en formalisant une construction d'espace d'états en trois étapes (discrétisation, assignation sémantique, agrégation) qui élève l'agrégation heuristique de mots-clés en une représentation symbolique formelle adaptée au diagnostic et à l'audit.
3. ML architecturalement contraint : Le ML est intégré comme une approximation bornée d'une politique par règles. L'admissibilité est garantie par construction via des contraintes de monotonicité, un contrôle d'instruction déterministe et un opérateur de projection, plutôt que de reposer sur un filtrage post-hoc.
4. Interprétabilité intégrée : L'interprétabilité et l'auditabilité sont traitées comme des propriétés architecturales dérivées de la structure de l'espace d'états et des traces de décision persistantes, plutôt que comme des ajouts post-hoc.

Résultats
Le cadre a été validé empiriquement comme preuve de concept en utilisant $N=160$ cas de politiques dérivés de scénarios de formation au décrochage, employant une validation croisée par groupe $k=5$ pour éviter la fuite de données.

• Performance : La politique de ML contrainte a approximé la base de référence déterministe avec une erreur absolue moyenne (MAE) de profil de $0,126 \pm 0,024$.
• Classification : Le modèle a atteint une précision de classification de focalisation de $0,631 \pm 0,080$, ce qui représente un gain de $+0,344$ par rapport à une base de classe majoritaire ($0,288 \pm 0,042$).
• Analyse sémantique : L'analyse SHAP a révélé que bien que certains mots-clés (ex. : « gestion de l'énergie ») soient rarement sélectionnés comme cibles de focalisation explicites, ils agissent comme des variables de façonnage de politique significatives, indiquant que le modèle capture des interactions sémantiques complexes plutôt qu'une simple réplication de règles.
• Vérification : La vérification analytique a confirmé que le système satisfait les quatre propriétés structurelles (P1–P4) par construction, indépendamment de la taille du jeu de données.

Signification et revendications
L'article affirme démontrer que l'adaptation basée sur le ML peut être structurellement compatible avec des systèmes de formation cyber-physiques critiques pour la sécurité sans sacrifier le déterminisme ou l'auditabilité. La signification ne réside pas dans une adaptativité sans restriction, mais dans la définition de conditions formellement spécifiées sous lesquelles le ML peut opérer dans un cadre de sécurité critique. Les auteurs déclarent explicitement que les résultats empiriques constituent une preuve de concept ; la taille de l'échantillon ($N=160$) est suffisante pour démontrer l'opérationnalité et la conformité aux contraintes, mais ne permet pas de soutenir des revendications de généralisation statistique à travers différentes cohortes ou catégories de manœuvres. Le travail identifie la généralisation multi-cohorte et la caractérisation formelle des conditions de correction des décisions d'adaptation comme les prochaines étapes nécessaires. L'architecture proposée offre un modèle méthodologique général pour intégrer le ML contraint dans des CPS critiques pour la sécurité, répondant spécifiquement à l'exigence de l'EASA pour une IA fiable, traçable et bornée dans l'aviation.