Inferring Turn-Rate-Limited Engagement Zones with Sacrificial Agents for Safe Trajectory Planning

Titolo: Inferenza delle Zone di Impegno Limitate dal Tasso di Virata con Agenti Sacrificabili per la Pianificazione di Traiettorie Sicure

1. Il Problema

In ambienti di guerra moderni, gli agenti autonomi devono navigare nello spazio aereo evitando minacce nemiche attive, spesso con informazioni parziali o incomplete sulle loro capacità (posizione, velocità, tasso di virata, raggio d'azione).
Il problema centrale è la necessità di inferire i parametri di un inseguitore (pursuer) sconosciuto basandosi su osservazioni limitate e binarie (intercettazione o sopravvivenza) per costruire un modello probabilistico della sua Zona di Impegno (Engagement Zone - EZ).
Le EZ definiscono lo spazio in cui un avversario può intercettare un bersaglio. Senza conoscere i parametri dell'avversario, la pianificazione di traiettorie sicure richiede di evitare regioni eccessivamente conservative, riducendo l'efficienza operativa. L'obiettivo è utilizzare agenti sacrificabili (droni a basso costo o esche) che si espongono deliberatamente al rischio di intercettazione per raccogliere dati e ridurre l'incertezza sui parametri nemici, permettendo successivamente di generare percorsi ottimali e sicuri per agenti ad alto valore.

2. Metodologia

Il framework proposto combina modelli geometrici di raggiungibilità, ottimizzazione basata su gradienti e progettazione sperimentale bayesiana.

• Modelli Geometrici:

  • Si utilizza il CSBEZ (Curve-Straight Basic Engagement Zone), che modella l'inseguimento considerando un inseguitore con vincoli cinematici (raggio di virata minimo $a$, velocità $v_P$, raggio d'azione $R$).
  • Vengono definiti due modelli di intercettazione:
    1. Intercettazione al Bordo ([A1-strict]): L'intercettazione avviene esattamente sul confine della Regione Raggiungibile (RR) dell'inseguitore.
    2. Intercettazione Interna ([A1-relaxed]): L'intercettazione può avvenire in qualsiasi punto all'interno della RR.

• Inferenza dei Parametri:

  • L'algoritmo stima il vettore dei parametri dell'inseguitore $\theta_P = (x_P, y_P, \psi_P, a, R, v_P)$.
  • Vengono definiti funzioni di perdita (loss functions) differenziabili che mappano gli esiti binari (intercettato/sopravvissuto) in una penalità sui parametri.
    • Per l'intercettazione al bordo, si penalizza la deviazione dal confine della RR.
    • Per l'intercettazione interna, si penalizza l'ingresso nella RR per gli agenti sopravvissuti e si richiede che gli intercettati siano all'interno.
    • Per stimare la velocità (caso 3), si introduce un termine di perdita basato sul tempo di lancio misurato.
  • A causa della non convessità del problema, viene utilizzata una strategia di ottimizzazione multi-start (con campionamento Latin Hypercube) per evitare minimi locali e generare un insieme di vettori di parametri fattibili coerenti con i dati osservati.

• Selezione della Traiettoria degli Agenti Sacrificabili:
  Due strategie sono proposte per massimizzare l'informazione guadagnata:

  1. Euristiche Geometriche: Massimizzano la dispersione dei punti di intercettazione previsti lungo il bordo della RR (utile per il caso al bordo).
  2. Progettazione Sperimentale Bayesiana (BED): Massimizza il punteggio $D$ (log-determinante) della matrice di informazione di Gauss-Newton attesa. Questo seleziona traiettorie che massimizzano il guadagno informativo sui parametri, scegliendo percorsi che "sfiorano" il bordo della RR dove la sensibilità del modello è massima.

• Pianificazione della Traiettoria Sicura:
  Una volta appreso l'insieme dei parametri fattibili, si genera una mappa delle minacce. Un pianificatore di traiettorie basato su B-spline e ottimizzazione non lineare (IPOPT) calcola un percorso tempo-ottimale che evita tutte le EZ generate dall'insieme dei parametri appresi, garantendo la sicurezza contro ogni configurazione possibile dell'inseguitore.

3. Contributi Chiave

1. Framework di Inferenza Multi-Start: Un metodo basato sull'ottimizzazione per stimare vettori di parametri dell'inseguitore da traiettorie di agenti sacrificabili ed esiti binari, producendo un insieme di soluzioni coerenti con i dati.
2. Modelli di Intercettazione e Funzioni di Perdita: Introduzione di due modelli (bordo e interno) con funzioni di perdita differenziabili specifiche che abilitano l'estimazione tramite gradienti.
3. Strategie di Selezione delle Traiettorie: Sviluppo di due approcci complementari (geometrico e basato su BED) per migliorare l'efficienza dell'apprendimento dei parametri.
4. Integrazione Pianificazione-Inferenza: Dimostrazione di come l'insieme appreso dei parametri possa essere direttamente utilizzato per generare traiettorie sicure e ottimali, evitando tutte le zone di impegno inferite.

4. Risultati

Gli esperimenti sono stati condotti tramite 500 simulazioni Monte Carlo con diversi vettori di parametri dell'inseguitore.

• Accuratezza dell'Inferenza:

  • Nel caso di intercettazione al bordo, sono sufficienti 5-7 agenti sacrificabili (in assenza di rumore) per convergere a stime accurate dei parametri. In presenza di rumore, sono necessari circa 7-9 agenti.
  • Nel caso di intercettazione interna, sono richiesti più agenti (circa 9-12 in assenza di rumore, fino a 19-20 con rumore) perché l'informazione binaria è meno discriminante, ma il metodo rimane robusto.
  • L'aggiunta di dati temporali (tempo di lancio) nel caso 3 permette di stimare anche la velocità, mantenendo un numero di agenti simile al caso 2 grazie all'informazione aggiuntiva.

• Copertura Geometrica:

  • L'unione delle Regioni Raggiungibili (RR) generate dall'insieme dei parametri appresi copre oltre il 95% della vera RR nel 94-99% dei passi di implementazione, dimostrando che il metodo mantiene una copertura geometrica conservativa e sicura anche con parametri imperfetti.

• Pianificazione di Traiettorie:

  • L'uso anche di un singolo agente sacrificabile riduce drasticamente la lunghezza del percorso sicuro necessario.
  • Con 3-5 agenti, la traiettoria pianificata si avvicina all'ottimalità ottenibile con la conoscenza perfetta dei parametri nemici.
  • Senza agenti sacrificabili, la traiettoria sicura deve evitare l'intera regione di possibilità teorica, risultando molto più lunga e inefficiente.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo significativo verso l'autonomia operativa in ambienti ostili con informazioni limitate.

• Efficienza dei Dati: Dimostra che osservazioni sparse e binarie (solo "colpito" o "sopravvissuto") sono sufficienti per vincolare efficacemente i parametri di un avversario, senza bisogno di sensori continui o misurazioni dirette.
• Trade-off Sicurezza-Efficienza: Il framework offre un approccio sistematico per bilanciare il rischio (uso di agenti sacrificabili) con il guadagno informativo, permettendo di passare rapidamente da percorsi estremamente conservativi a percorsi quasi ottimali.
• Fondamento Teorico: Fornisce una base geometrica rigorosa per l'apprendimento delle zone di impegno, collegando modelli cinematici fisici (Dubins) con l'apprendimento automatico basato su ottimizzazione.
• Applicabilità: Il metodo è direttamente applicabile a scenari di difesa aerea, navigazione di droni in aree contese e operazioni di esplorazione in presenza di minacce attive.

In sintesi, il paper propone un ciclo chiuso di percezione-azione dove agenti a basso costo vengono utilizzati attivamente per "sondare" l'ambiente, ridurre l'incertezza sulle capacità nemiche e abilitare manovre ad alto valore in modo sicuro ed efficiente.