Sintesi Tecnica: Ensemble Neurale White-Box per la Plasticità Veicolare

Definizione del Problema

I sistemi di controllo per veicoli autonomi affrontano una tensione fondamentale tra plasticità (la capacità di adattarsi a variabili regimi operativi, come cambiamenti di attrito o massa del veicolo, senza riaddestramento) e verificabilità (il requisito di modelli trasparenti e analizzabili per la certificazione della sicurezza, ad esempio ISO 26262).

Le soluzioni allo stato dell'arte attuali si affidano spesso a:

1. Modelli compilati e opachi: Strumenti come acados o L4CasADi generano codice efficiente ma spostano la verifica sulla provenienza della generazione del codice, mancando di introspezione simbolica a runtime.
2. Modelli di apprendimento monolitici: Approcci come i Universal Foundation Models o il fine-tuning online soffrono del dilemma stabilità-plasticità, rischiando l'instabilità a ciclo chiuso e l'oblio catastrofico.
3. Adattamento implicito: Metodi come Neural-Fly regolano il comportamento tramite approssimatori di funzione, ma spesso mancano di una trasparenza strutturale esplicita.

Esiste una lacuna nella comprensione del costo specifico di efficienza nel mantenere una rappresentazione simbolica completamente traversabile di un ensemble neurale all'interno di un framework di Controllo Predittivo Non Lineare (NMPC). Questo articolo indaga se sia possibile ottenere una rigorosa auditabilità white-box a scapito di un significativo overhead computazionale.

Metodologia

Architettura: Sovranità Modulare

Gli autori propongono un NMPC adattivo white-box basato su un paradigma di "Sovranità Modulare" (ispirato a HYDRA). Invece di addestrare un singolo modello monolitico o stimare i parametri fisici online, il sistema costruisce la dinamica del veicolo come una combinazione convessa di specialisti neurali congelati e specifici per regime.

• Formulazione della Dinamica: La dinamica globale effettiva è definita come $\dot{\hat{x}}(t) = \sum_{i=1}^{N} w_i \cdot \Psi_i(x(t), u(t))$, dove $\Psi_i$ sono reti neurali congelate (specialisti) e $w$ è un vettore di governance vincolato al simplesso ($\sum w_i = 1, w_i \ge 0$).
• Vincolo Geometrico: Questa formulazione confina la dinamica del sistema all'interno dell'inviluppo convesso degli specialisti, impedendo l'estrapolazione oltre la famiglia di modelli addestrati e consentendo l'interpolazione per configurazioni veicolari non viste (eterogeneità della flotta).

Meccanismo di Adattamento: Il Governatore

Un modulo Governatore stima i pesi di miscelazione ($w$) in tempo reale per adattarsi ai cambiamenti di regime (es. variazioni di attrito, variazioni di massa).

• Regressione: Il Governatore minimizza l'errore tra le derivate dello stato misurate (approssimate tramite differenze finite) e l'output dell'ensemble predetto.
• Smoothing: I pesi sono smussati utilizzando una Media Mobile Esponenziale (EMA) per sopprimere le oscillazioni ad alta frequenza.
• Deployment Zero-Shot: La libreria di specialisti è costruita tramite una strategia di selezione greedy del caso peggiore su un dataset sintetico ibrido (campionamento uniforme + traiettorie "chirp") per garantire la copertura dei comportamenti di gestione dei limiti.

Implementazione: Auditabilità Simbolica

Per ottenere la massima trasparenza, l'ensemble è implementato utilizzando rappresentazioni completamente simboliche in CasADi SX.

• A differenza degli approcci compilati, il solver attraversa esplicitamente il grafo computazionale simbolico delle reti neurali ad ogni iterazione.
• Ciò consente l'ispezione diretta del grafo delle derivate (trasparenza strutturale), sebbene i pesi neurali rimangano semanticamente opachi.
• Addestramento: Otto Reti Neurali Informate dalla Fisica (PINN) sono state addestrate utilizzando un protocolo ibrido (Adam seguito da L-BFGS) per minimizzare sia la perdita dei dati che i vincoli di coerenza cinematica, raggiungendo un RMSE di $\approx 4 \times 10^{-6}$.

Contributi Chiave

1. Integrazione NMPC Simbolica: La presentazione di un ensemble sparso di specialisti neurali congelati integrato in un framework NMPC white-box progettato per la plasticità veicolare sotto rigorosi vincoli di auditabilità.
2. Quantificazione del Costo di Trasparenza: Una caratterizzazione rigorosa dell'overhead computazionale derivante dal mantenimento della piena ritenzione simbolica non lineare. Lo studio isola il "prezzo dell'efficienza" di un'implementazione white-box rigorosa.
3. Validazione Funzionale: La dimostrazione che l'architettura risolve con successo il problema della plasticità (gestendo bruschi cambiamenti di attrito, massa e resistenza) nonostante gli identificati costi computazionali, validata tramite simulazione sincrona.

Risultati

Benchmark Computazionali (Fase I)

Lo studio quantifica un significativo trade-off tra velocità e auditabilità:

• Latenza del Solver: L'ensemble neurale simbolico incurre in un rallentamento di 72× fino a 102× rispetto ai modelli fisici parametrici ottimizzati.
  • F1TENTH (scala 1:10): tempo di soluzione di 535 ms (rispetto a 7,38 ms per la fisica).
  • ORCA (scala 1:43): tempo di soluzione di 545 ms (rispetto a 5,35 ms per la fisica).
• Collo di Bottiglia: Il rallentamento è strutturale. Circa il 96% del tempo è consumato dall'evaluazione del NLP (attraversamento del grafo simbolico per generare i Jacobiani), mentre il solver lineare richiede un tempo trascurabile.
• Latenza di Adattamento: Nonostante l'overhead del solver, il meccanismo di adattamento è rapido (~7,3 ms), significativamente più veloce degli approcci di ricompilazione Just-In-Time (JIT) (~752 ms).

Validazione della Plasticità Funzionale (Fase II)

Valutato su una pista da corsa autonoma sotto cambiamenti di regime composti:

• Tier 1 (ODE Ideale): Il controllore adattivo raggiunge prestazioni quasi massimali, contenendo la degradazione della posizione a +12,9% e ottenendo una mitigazione del 97,5% rispetto a un baseline non adattivo durante i cambi di attrito.
• Tier 2 (ODE con Rumore): Il sistema rimane stabile sotto rumore sensoriale, confermando che l'incertezza aleatoria non destabilizza il Governatore.
• Tier 3 (Neural PINNs):
  • Addestramento Naive (Tier 3a): Risulta in una deriva di posizione pericolosa su scala metrica.
  • Addestramento Ibrido (Tier 3b): Con il protocolo di addestramento raffinato, il sistema chiude il gap con il limite dell'ODE ideale. L'errore di posizione rimane < 0,1 m, rappresentando una riduzione di 35× dell'errore di tracciamento rispetto al baseline naive.
• Cambiamenti Composti: Il sistema gestisce con successo simultanei cambiamenti di attrito, massa e resistenza, dimostrando robustezza assente nei baseline non adattivi.

Significato e Claim

Il documento posiziona il lavoro come una prova di concetto e un baseline per i trade-off tra trasparenza strutturale e velocità di esecuzione.

• "Il Costo per Calcolare gli Zeri": Gli autori sostengono che il rallentamento di 72–102× sia una tassa strutturale fissa per mantenere l'introspezione completa a runtime. Il motore di Differenziazione Automatica (AD) spende la maggior parte del tempo attraversando percorsi densi per verificare contributi sparsi.
• Sicurezza vs Velocità: Il lavoro sostiene che, sebbene la stretta verificabilità sincrona attualmente proibisca l'implementazione su hardware in tempo reale, l'architettura risolve funzionalmente il problema della plasticità veicolare. Il costo computazionale acquista un "margine di sicurezza": la capacità di gestire l'incertezza epistemica e i cambiamenti di regime composti senza uscire dall'inviluppo convesso verificato della libreria di modelli.
• Roadmap Futura: Gli autori non affermano che l'attuale implementazione sia pronta per il deployment. Suggeriscono invece che la bassa densità dei Jacobiani (~3,6%) indichi il potenziale per il pruning basato sulla sensibilità per comprimere il grafo. Propongono inoltre un'architettura asincrona che potrebbe disaccoppiare la latenza di adattamento dalla latenza del solver, potenzialmente riconciliando plasticità e velocità, sebbene a scapito della stretta auditabilità sincrona.
• Conclusione: Lo studio valida che un controllore adattivo white-box è teoricamente viabile e funzionalmente efficace, fornendo un percorso trasparente per risolvere il dilemma stabilità-plasticità, a patto che il lavoro futuro affronti il muro dell'efficienza computazionale.