ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers

Titolo: ManeuverGPT: Controllo Agente per Manovre di Acrobazia Autonome Sicure

1. Il Problema

Le veicoli autonomi (AV) di prossima generazione devono essere in grado di eseguire manovre evasive ad alta agilità, simili a quelle compiute da piloti professionisti, per operare ai limiti delle prestazioni del veicolo in scenari di emergenza. Tuttavia, le attuali tecnologie di guida automatizzata faticano a gestire manovre dinamiche estreme (come il "J-turn", una rotazione di 180° ad alta velocità) a causa di:

• Complessità dinamica: Le manovre avvengono in regimi non lineari con margini di errore ridotti.
• Limiti degli approcci tradizionali: I controllori classici (es. MPC) richiedono modelli dinamici precisi che spesso non catturano comportamenti estremi, mentre i metodi di Reinforcement Learning (RL) necessitano di enormi quantità di dati di addestramento e non offrono sempre garanzie formali di sicurezza.
• Mancanza di adattabilità: Adattare un controller a nuovi modelli di veicoli richiede spesso un retraining costoso o una riprogettazione del modello.

L'obiettivo è sviluppare un sistema in grado di generare e raffinare comandi di controllo per manovre acrobatiche partendo da zero (tabula rasa), senza retraining dei pesi del modello, adattandosi a diverse dinamiche veicolari tramite prompt testuali.

2. Metodologia: ManeuverGPT

Il paper propone ManeuverGPT, un nuovo framework basato su Agenti di Grande Modello Linguistico (LLM) che opera in un ambiente di simulazione CARLA. L'architettura è composta da tre agenti specializzati coordinati da un'unità centrale in un ciclo chiuso:

1. Query Enricher Agent (AE): Interpreta e arricchisce i comandi dell'utente. Trasforma istruzioni vaghe in query dettagliate, integrando dati storici, input ambientali e vincoli operativi per generare un contesto specifico per la pianificazione.
2. Driver Agent (AD): Sulla base della query arricchita, genera una sequenza strutturata di parametri di manovra ($P$). Questi parametri includono tassi di accelerazione, sterzata, frenata e stato di retromarcia per le diverse fasi della manovra.
3. Parameter Validator Agent (AV): Valida i parametri candidati rispetto a un insieme di vincoli ($C$), inclusi requisiti di sicurezza (assenza di collisioni) e limiti operativi (fisici). Se i parametri sono invalidi, li rigetta o richiede una revisione.

Processo Iterativo:
Il sistema funziona attraverso un ciclo di feedback:

• L'agente Driver genera parametri basati su un prompt.
• Il Validator li controlla e la simulazione viene eseguita.
• Vengono calcolate le metriche di performance (errore di angolo, collisioni, jerk).
• Se la manovra fallisce, il sistema genera un nuovo prompt di feedback (es. "riduci lo sterzo del 5% nella fase 2") e il ciclo si ripete fino al raggiungimento della soglia di successo o al limite di iterazioni.

Formalizzazione:
La manovra è definita come un sistema non lineare $\dot{x}(t) = f(x(t), u(t))$. L'obiettivo è minimizzare una funzione di costo $L$ che penalizza l'errore di orientamento finale, le collisioni e la durezza della manovra (jerk). Il paper dimostra teoricamente che, sotto assunzioni di validità e feedback strutturato, il sistema converge a una soluzione fattibile in tempo finito.

3. Contributi Chiave

1. Framework Multi-Agente LLM: Introduzione di un'architettura che utilizza LLM per generare manovre acrobatiche complesse senza modificare i pesi del modello sottostante (zero-shot/few-shot learning tramite prompt).
2. Generalizzazione Cross-Veicolo: Dimostrazione che l'adattamento a diversi modelli di veicoli (es. berlina vs. coupé sportiva) è possibile modificando esclusivamente i prompt testuali, senza riaddestramento.
3. Analisi delle Prestazioni: Valutazione rigorosa basata su metriche standard (errore di angolo, tasso di successo, tempo di esecuzione) che conferma la fattibilità dell'approccio ibrido (ragionamento linguistico + validazione algoritmica).

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su CARLA con due modelli di veicoli: una berlina e una coupé sportiva.

• Tasso di Successo: Il sistema ha raggiunto un tasso di successo complessivo dell'86% su 100 esecuzioni. Il tasso è migliorato dall'83,3% nelle prime prove al 90% nelle successive, dimostrando l'efficacia del ciclo di feedback.
• Architettura Multi-Agente vs Singolo Agente: L'architettura multi-agente ha superato significativamente un singolo agente. Il sistema multi-agente ha mantenuto un errore inferiore a 7° nel 76% delle prove (contro il 52% del singolo agente) e ha raggiunto l'ottimalità (<3°) nel 31% dei casi. Il Validator ha prevenuto errori critici, come la selezione di angoli di sterzo impossibili che portavano a collisioni immediate.
• Adattabilità ai Veicoli:
  • Berlina: Ha mostrato prestazioni superiori con un errore medio di angolo di 9,09° e un tasso di successo del 90,11%. La sua dinamica più permissiva ha favorito la stabilità.
  • Coupé Sportiva: Ha mostrato maggiore variabilità (deviazione standard più alta) e un tasso di successo inferiore (70,57%), con un errore medio di 21,39°. La maggiore reattività e la distribuzione del peso hanno amplificato i piccoli errori di controllo.
• Convergenza: Le curve di apprendimento mostrano una convergenza graduale verso l'errore ottimale (3°) entro 5 batch di iterazioni, con un tempo di esecuzione per iterazione di circa 5 secondi (inclusi i chiamate API), rendendo il processo praticabile online.

5. Significato e Conclusioni

ManeuverGPT dimostra che gli LLM, se integrati in un'architettura agenziale con validazione rigorosa, possono essere utilizzati per il controllo di veicoli ad alta dinamica, offrendo un'alternativa flessibile ai metodi tradizionali.

• Vantaggi: Elimina la necessità di costosi processi di riaddestramento per nuovi veicoli o scenari, permettendo una prototipazione rapida di nuove manovre.
• Limitazioni: L'approccio attuale manca delle garanzie di sicurezza formali tipiche del MPC classico e la precisione numerica può essere limitata rispetto agli ottimizzatori puri.
• Direzioni Future: Il lavoro suggerisce la necessità di approcci ibridi che combinino il ragionamento linguistico degli LLM con l'ottimizzazione algoritmica per garantire la sicurezza in scenari reali complessi, colmando il divario tra simulazione e realtà (sim-to-real gap).

In sintesi, il paper stabilisce che il controllo guidato da LLM è una via promettente per espandere le capacità di manovra dei veicoli autonomi in scenari critici, a patto di affiancarlo a framework di validazione robusti.