⚡ electrical engineering

Flying by Inference: Active Inference World Models for Adaptive UAV Swarms

Questo articolo propone un framework di inferenza attiva guidato da esperti che trasforma la pianificazione delle traiettorie multi-UAV da un problema di ottimizzazione combinatoria a un compito di inferenza probabilistica gerarchica, consentendo a sciami adattivi di generare comportamenti fluidi e consapevoli delle collisioni apprendendo da dimostrazioni esperte e minimizzando la deviazione dalle distribuzioni di riferimento senza rieseguire ottimizzatori offline.

Autori originali: Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni

Pubblicato 2026-05-01

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il direttore di un servizio di consegna massiccio e ad alta velocità con centinaia di droni. Il tuo compito è dirigerli su dove andare, in quale ordine e come volare senza schiantarsi l'uno contro l'altro o contro gli edifici. Di solito, eseguire questi calcoli per centinaia di droni contemporaneamente è come cercare di risolvere un enigma gigante e impossibile ogni volta che arriva un nuovo pacco. Se aspetti di risolvere l'intero enigma, i droni restano inattivi. Se cerchi di risolverlo istantaneamente, potresti commettere un errore.

Questo articolo propone un modo più intelligente per gestire la situazione. Invece di risolvere il puzzle matematico da zero ogni volta, il sistema impara da un "Pianificatore Maestro" (un programma informatico esperto) e utilizza poi tale conoscenza per fare ipotesi rapide e intelligenti in tempo reale.

Ecco come funziona, scomposto in parti semplici:

1. Il "Pianificatore Maestro" e i Tre Dizionari

Innanzitutto, i ricercatori hanno utilizzato un potente programma informatico lento (chiamato Algoritmo Genetico) per risolvere perfettamente centinaia di missioni diverse per droni. Non hanno semplicemente salvato i percorsi di volo; hanno scomposto quei voli perfetti in tre "dizionari" o manuali di regole:

Il Dizionario delle Missioni: È come un elenco principale su come suddividere il lavoro. Se ci sono 50 case da visitare, questo dizionario dice: "Ok, il Drona A prende il lato nord, il Drona B prende il lato sud". Impara il modo migliore per dividere il compito.
Il Dizionario delle Rotte: Una volta suddiviso il lavoro, questo dizionario decide l'ordine. "Drona A, visita la Casa 1, poi la Casa 3, poi la Casa 2". Impara i circuiti più efficienti.
Il Dizionario dei Movimenti: Questo è il dettaglio fine. Descrive come volare tra le case. È una traiettoria dritta? Devi rallentare a causa di un albero? Devi sterzare per evitare un altro drone? Trasforma la fisica complessa in semplici "parole di movimento".

2. Il Cervello "Inferenza Attiva"

Una volta appresi questi tre dizionari, i droni non hanno più bisogno del lento Pianificatore Maestro. Utilizzano un cervello chiamato Inferenza Attiva.

Pensa a questo come a un detective che cerca di risolvere un mistero. Il detective ha una "teoria" su come funziona il mondo (basata sui dizionari del Pianificatore Maestro). Quando i droni vedono qualcosa di nuovo — come un nuovo obiettivo improvviso o un ostacolo in movimento — si chiedono: "Questa nuova situazione si adatta alla nostra teoria?"

Il Misuratore di "Anormalità": Il sistema calcola quanto un'azione potenziale sia "strana" o "anormale" rispetto a quanto avrebbe fatto il Pianificatore Maestro.
La Decisione: Se un drone considera un percorso che sembra molto diverso dalle regole dell'esperto, il misuratore di "anormalità" sale alto e il drone respinge quel percorso. Se un percorso sembra molto simile alle regole dell'esperto, il misuratore rimane basso e il drone lo assume.

Questo permette allo sciame di prendere decisioni istantaneamente. Non stanno calcolando matematica complessa; stanno solo controllando: "Questo sembra qualcosa che farebbe un professionista?"

3. Adattarsi ai Cambiamenti (Il Trucco del "Ripianificazione")

Cosa succede se appare un nuovo obiettivo mentre i droni sono in volo?

Vecchio Metodo: Fermare tutto, ricalcolare l'intero enigma per tutti i droni e ricominciare da capo. (Troppolento).
Metodo di Questo Articolo: Il sistema guarda il nuovo obiettivo e chiede: "Quale drone dovrebbe raccoglierlo per mantenere l'"anormalità" bassa?" Poi chiede: "Dove nella lista corrente di quel drone dovrebbe andare questa nuova fermata?" Infine, aggiusta leggermente il percorso di volo. È come un direttore d'orchestra che aggiusta lo spartito dell'orchestra al volo senza fermare la musica.

4. La "Rete di Sicurezza" (Filtri)

Anche con i dizionari intelligenti, la vita reale è disordinata. I sensori diventano rumorosi e il vento soffia. Per gestire questo, il sistema utilizza Filtri Bayesiani (come EKF e PF).

L'Analogia: Immagina di guidare un'auto nella nebbia. Conosci la disposizione della strada (il dizionario), ma non vedi perfettamente. Il filtro è come un copilota che dice: "Pensi di essere all'angolo, ma basandoti sulla tua velocità e sulla nebbia, in realtà sei a pochi metri a sinistra".
Il sistema utilizza questo "copilota" per correggere la posizione effettiva del drone prima che prenda una decisione, assicurandosi che non si schianti anche se i loro sensori sono un po' sfocati.

5. I Risultati

I ricercatori hanno testato questo in due modi:

Simulazioni: Hanno eseguito migliaia di missioni al computer. Il nuovo sistema ha volato con la stessa efficienza del lento "Pianificatore Maestro" ma era molto più veloce nel reagire ai cambiamenti. Ha anche volato molto più fluido e stabile rispetto ad altri metodi di apprendimento (come Q-learning), che tendevano a essere tremolanti e erratici.
Voli Reali: L'hanno testato con droni reali pilotati da umani al chiuso. Anche se i piloti umani commettono errori e volano in modo scattoso, il sistema è stato in grado di "pulire" i dati. Ha potuto guardare un volo umano disordinato, capire il percorso previsto e correggere le proprie previsioni per rimanere in rotta.

Riassunto

In breve, questo articolo insegna a uno sciame di droni a imparare da un esperto piuttosto che cercare di essere un matematico geniale ogni secondo. Scomponendo il problema in tre livelli (Chi fa cosa? In quale ordine? Come volano?) e utilizzando un "rilevatore di stranezze" per rimanere in rotta, i droni possono adattarsi istantaneamente a nuove situazioni, volare fluidamente ed evitare collisioni, tutto senza bisogno di un supercomputer per risolvere l'intero enigma ogni volta che appare un nuovo obiettivo.

1. Enunciato del Problema

Il documento affronta la sfida della pianificazione adattiva delle traiettorie per sciami di Veicoli Aerei Senza Pilota (UAV) in ambienti dinamici e incerti. Il problema centrale consiste nel risolvere un Problema del Commesso Viaggiatore Multipli (MTSP) in cui uno sciame deve:

Allocare compiti: Distribuire un insieme di località target tra più UAV.
Sequenziare rotte: Determinare l'ordine di visita ottimale per ciascun UAV.
Generare traiettorie: Creare percorsi privi di collisioni e dinamicamente fattibili.
Adattarsi online: Reagire ai cambiamenti ambientali (ad esempio, nuovi target, ostacoli) in tempo reale senza rieseguire un'ottimizzazione globale computazionalmente costosa.

Limiti degli Approcci Esistenti:

Ottimizzazione Deterministica/Metaeuristica (ad es. Algoritmi Genetici): Forniscono soluzioni offline di alta qualità ma mancano di adattabilità in tempo reale; qualsiasi cambiamento ambientale richiede una completa ri-ottimizzazione.
Apprendimento per Rinforzo Profondo (DRL): Offre adattabilità ma soffre di un'alta complessità di campionamento, scarsa generalizzazione a scenari fuori distribuzione e mancanza di interpretabilità.

2. Metodologia

Gli autori propongono un framework guidato da esperti e ispirato all'inferenza attiva che trasforma il problema di ottimizzazione combinatoria in un problema di inferenza probabilistica gerarchica. La metodologia consta di due fasi:

A. Fase Offline: Dimostrazione Esperta e Apprendimento del Modello del Mondo

Generazione Esperta: Un Algoritmo Genetico con evitamento collisioni a forza repulsiva (GA-RF) genera dimostrazioni esperte di alta qualità per varie istanze di missione.
Astrazione Simbolica Gerarchica: Le traiettorie continue degli esperti sono decomposte in tre dizionari simbolici:
- Dizionario di Missione: Codifica come l'insieme globale di target è partizionato tra gli UAV (Allocazione Compiti).
- Dizionario di Rotta: Codifica la sequenza ordinata delle visite per ciascun UAV (Sequenziamento Rotta).
- Dizionario di Movimento: Codifica i primitivi di movimento locali (ad esempio, attrazione verso il target, evitamento ostacoli) derivati da campi potenziali fisici (forze attrattive/repulsive).
Modello Probabilistico del Mondo: Il sistema apprende un modello probabilistico gerarchico da questi simboli. Stima:
- Distribuzioni di riferimento per i pattern di missione.
- Probabilità di transizione da Missione $\to$ Rotta $\to$ Movimento.
- Questo modello cattura le dipendenze condizionali del comportamento esperto (ad esempio, come una specifica allocazione di missione induce un specifico ordine di rotta).

B. Fase Online: Inferenza Attiva e Controllo Adattivo

Invece di risolvere l'MTSP da zero, lo sciame di UAV esegue inferenza online per selezionare azioni che minimizzano l'"anormalità".

Minimizzazione dell'Anormalità: Per una data osservazione, lo sciame valuta le azioni candidate a ciascun livello gerarchico. Calcola la divergenza di Kullback-Leibler (KL) tra la credenza a posteriori inferita dell'azione e la distribuzione di riferimento derivata dagli esperti.
- Bassa Divergenza KL: L'azione è coerente con il comportamento esperto.
- Alta Divergenza KL: L'azione è "anormale" o incoerente.
Decisione Gerarchica: Lo sciame seleziona la sequenza di azioni (Missione, Rotta, Movimento) che minimizza l'anormalità totale ponderata.
- Adattamento: Quando appare un nuovo target, il sistema non riesegue l'ottimizzazione globale. Invece, valuta quale UAV dovrebbe prendere il nuovo target (livello Missione) e dove inserirlo nella rotta (livello Rotta) per minimizzare l'anormalità risultante.
Controllo Assistito da Filtri: Per gestire il rumore e l'incertezza nella stima dello stato continuo, filtri Bayesiani (EKF e Filtro Particellare) sono integrati a livello di movimento. Questi filtri prevedono stati continui e aggiornano la probabilità dei simboli di movimento, garantendo una correzione fluida della traiettoria ed un evitamento collisioni robusto.

3. Contributi Chiave

Modello Simbolico Gerarchico del Mondo: La costruzione di un modello simbolico a tre livelli (Missione, Rotta, Movimento) appreso da dimostrazioni esperte, che astrae traiettorie complesse in pattern probabilistici riutilizzabili.
Meccanismo di Inferenza Attiva Basato su KL: Un framework decisionale che sostituisce la minimizzazione completa dell'energia libera con indicatori di anormalità basati sulla divergenza KL. Questo indirizza lo sciame verso comportamenti coerenti con gli esperti, evitando il costo computazionale dell'ottimizzazione globale.
Architettura Unificata Probabilistico-Simbolica: Un sistema che fonde conoscenza esperta, inferenza probabilistica e controllo simbolico gerarchico, offrendo sia interpretabilità che adattabilità.
Correzione del Movimento Assistita da Filtri: L'integrazione di EKF/Filtri Particellari con l'inferenza simbolica per gestire osservazioni rumorose e garantire l'esecuzione sicura e continua della traiettoria.

4. Risultati e Validazione

Il framework è stato valutato attraverso estese simulazioni e esperimenti di volo reale:

Risultati di Simulazione:
- Prestazioni: Il metodo proposto ha raggiunto tempi di completamento della missione e distanze totali percorse comparabili al pianificatore esperto offline GA-RF.
- Stabilità: Rispetto a una baseline Q-learning modificata, il framework proposto ha prodotto traiettorie più lisce e stabili con un comportamento meno oscillatorio.
- Adattabilità: Il sistema si è adattato con successo a layout di target non visti e cambiamenti dinamici (ad esempio, comparsa di nuovi target) senza riaddestramento o riesecuzione dell'ottimizzatore globale.
- Preservazione della Struttura: Il modello del mondo appreso ha preservato le regolarità strutturali della pianificazione esperta (allocazione compiti e ordinamento rotte) meglio delle baseline di apprendimento per rinforzo.
Validazione in Volo Reale (Indoor):
- Utilizzando dati da UAV DJI Air 2S pilotati da umani, il sistema ha dimostrato robustezza contro il rumore di sensing e i comportamenti non fluidi dei piloti umani.
- Correzione della Credenza: Il meccanismo di aggiornamento bayesiano ha corretto con successo errori di previsione simbolica causati da osservazioni rumorose, allineando la traiettoria prevista alla realtà osservata.
- Successo della Missione: Nonostante errori locali di previsione del movimento dovuti al rumore, il tasso di successo nel completamento della missione è rimasto al 100%, dimostrando la robustezza dell'inferenza gerarchica di alto livello.

5. Significato

Questo documento presenta un cambiamento significativo nell'autonomia degli sciami di UAV, passando dall'ottimizzazione ripetitiva all'inferenza strutturata.

Efficienza Computazionale: Limitando lo spazio di ricerca a candidati simbolici coerenti con gli esperti, il metodo consente una ripianificazione in tempo reale che sarebbe computazionalmente intrattabile per i tradizionali solver MTSP.
Interpretabilità: A differenza dei modelli di deep learning "scatola nera", la struttura simbolica gerarchica permette agli ingegneri di comprendere perché una specifica allocazione di missione o rotta è stata scelta (basata su transizioni probabilistiche apprese).
Robustezza: L'integrazione dell'inferenza attiva con la stima dello stato bayesiana fornisce un meccanismo robusto per operare in ambienti incerti, rumorosi e dinamici, colmando il divario tra pianificazione teorica ed esecuzione nel mondo reale.

In conclusione, il framework offre una soluzione scalabile, interpretabile e adattiva per missioni complesse multi-UAV, sfruttando efficacemente la conoscenza esperta per guidare il processo decisionale autonomo in tempo reale.