Riepilogo Tecnico: ENWAR 3.0

Enunciato del Problema

Mantenere una connettività robusta a onde millimetriche (mmWave) nelle reti veicolari richiede un adattamento in tempo reale alle dinamiche ambientali, al degrado dei sensori e alla variabilità del collegamento. I meccanismi di controllo di rete tradizionali si basano spesso su euristiche basate su regole o sul tracciamento statico dei fasci, che non riescono a scalare in ambienti di sensing multi-modale. Questi approcci convenzionali non riescono ad adattare efficacemente le decisioni in base all'affidabilità del sensore, al contesto ambientale o al comportamento storico del sistema. Inoltre, le soluzioni esistenti basate su Modelli Linguistici di Grande Dimensione (LLM) per il controllo wireless spesso mancano di capacità di decisione in tempo reale, rimangono incentrate sul testo o non riescono a integrare dati sensoriali multi-modali (LiDAR, radar, fotocamere, GPS) con una logica trasparente e spiegabile. Esiste un divario critico nella progettazione di framework senza soluzione di continuità che combinino sensing multi-modale, ragionamento interpretabile e decisione adattiva sotto vincoli di tempo reale rigorosi per le comunicazioni da Infrastruttura a Veicolo (I2V).

Metodologia

ENWAR 3.0 è un framework di reasoning consapevole dell'ambiente che unifica sensing multi-modale, LLM agenti e selezione del modello guidata dal contesto. Il sistema opera all'interno di un intervallo di controllo di 300 ms, gestendo la formazione dei fasci (beamforming), la previsione di ostruzioni e la gestione del handover attraverso un framework di controllo gerarchico.

Architettura Core

1. Percezione Multi-Modale e Rilevamento del Degrado:

   • Il sistema acquisisce dati sincronizzati da fotocamere, LiDAR, radar e GPS.
   • Un Classificatore Ambientale dedicato (una Random Forest multi-output) rileva il degrado del sensore in tempo reale (es. nebbia, ostruzione, rumore) con un'accuratezza superiore al 99%. Esce flag binari per escludere dinamicamente le modalità inaffidabili.
   • È stata sviluppata una pipeline di degrado sintetica per addestrare questo classificatore, simulando condizioni avverse come sfocatura, sparsificazione e disturbo del segnale.

2. Orchestrazione Agentica tramite LLM Primed:

   • Un LLM centralizzato funge da orchestratore, primed tramite prompting Chain-of-Thought (CoT) e feedback umano nel ciclo (HITL).
   • L'LLM interpreta stati ambientali strutturati e flag di salute del sensore per invocare agenti specializzati (Previsione del Fascio, Previsione di Ostruzione, Handover, Percezione Ambientale) esattamente una volta per ciclo.
   • Il sistema utilizza una Memoria a Lungo Termine (utilizzando LlamaIndex) per persistere modelli storici, come durate delle ostruzioni e decisioni passate degli agenti, consentendo continuità temporale nel ragionamento.

3. Routing Adattivo del Modello (DRL):

   • Un agente di Deep Reinforcement Learning (DRL), addestrato con Proximal Policy Optimization (PPO), seleziona dinamicamente la combinazione ottimale di modalità sensoriali per le attività di previsione.
   • Il sistema mantiene un repository di 15 varianti di modello pre-addestrate per agente (che coprono varie combinazioni di sensori). La politica DRL instrada le attività alla variante più adatta in base alla salute attuale del sensore e al contesto storico, evitando sensori degradati.

4. Agenti Specifici per Attività:

   • Previsione del Fascio: Anticipa gli indici di fascio ottimali utilizzando input multi-modali per evitare la scansione esaustiva dei fasci.
   • Previsione di Ostruzione: Stima la probabilità di eventi di ostruzione fino a 5 passi temporali (1,5 s) nel futuro utilizzando la fusione tardiva di previsioni specifiche per modalità.
   • Gestione dell'Handover: Attiva gli handover verso stazioni base secondarie (BS2) basandosi su una politica a doppio trigger: superiorità significativa di potenza o ostruzione persistente (superiore a 5 passi temporali) combinata con miglioramento della potenza.

5. Consegna della Risposta:

   • Il sistema genera risposte strutturate e interpretabili che integrano percezione, previsione e decisioni di controllo.
   • Le decisioni critiche del percorso di controllo (invocazione dell'agente, selezione del fascio) sono vincolate alla finestra di campionamento di 300 ms, mentre le giustificazioni dettagliate in linguaggio naturale sono generate in modo asincrono per garantire le prestazioni in tempo reale.

Contributi Chiave

Il documento delinea cinque contributi principali:

• Orchestrazione Agentica Gerarchica: Riformulazione del controllo wireless multi-modale come problema di agenti gerarchici, utilizzando un'architettura modulare guidata da LLM con priming CoT e RLHF per coordinare le previsioni di fascio/ostruzione e le decisioni di handover.
• Livello di Controllo Consapevole del Degrado: Introduzione di una pipeline di degrado del sensore sintetica e di un classificatore multi-output (accuratezza del 99,1%) che abilita l'esclusione dinamica di modalità inaffidabili, sostituendo le strategie di fusione statiche con un sensing consapevole dell'affidabilità.
• Routing Adattivo del Modello Basato su DRL: Progettazione di una politica DRL consapevole del degrado che seleziona dinamicamente tra 15 combinazioni di modalità pre-addestrate per agente, adattandosi allo stato del sensore invece di affidarsi all'invocazione fissa del modello.
• Controllo di Ostruzione e Handover Consapevole della Persistenza: Integrazione del tracciamento della durata delle ostruzioni e della memoria a lungo termine in un meccanismo di handover attivato da politiche, creando una pipeline chiusa fascio-ostruzione-handover assente nelle iterazioni precedenti.
• Operatività in Tempo Reale a Latenza Limitata: Dimostrazione che l'intero sistema mantiene una latenza end-to-end nel percorso di controllo nel caso peggiore di 289,7 ms all'interno di un intervallo di campionamento di 300 ms, garantendo la compatibilità con i requisiti I2V in tempo reale.

Risultati

Sono state condotte valutazioni estese su 15 combinazioni di sensori e varie architetture LLM (che vanno da 3B a 70B parametri):

• Prestazioni Predittive:
  • Selezione del Fascio: Ha raggiunto fino al 88,5% di accuratezza Top-3 (con Camera+GPS+LiDAR) e una perdita di potenza media di -0,009 dB.
  • Previsione di Ostruzione: Ha raggiunto un punteggio F1 del 98,4% (con Camera+Radar) e un AUC-ROC di 0,988.
  • Classificazione Ambientale: Ha rilevato il degrado del sensore con un'accuratezza del 99,1% tra le modalità.
• Correttezza del Ragionamento:
  • Il sistema ha raggiunto un'accuratezza del ragionamento dell'87,3% con un modello da 3B parametri, migliorando all'89,3% con un modello da 70B. Questo rappresenta un miglioramento significativo rispetto alle baseline vanilla (69,4%).
  • Gli studi di ablazione hanno mostrato che il priming (82,5%) e il ragionamento CoT (82,2%) hanno fornito i maggiori guadagni individuali, mentre la Memoria a Lungo Termine e il routing DRL hanno ulteriormente migliorato la stabilità.
• Latency ed Efficienza:
  • La latenza end-to-end nel caso peggiore per il percorso di controllo è stata di 289,7 ms, rientrando nella finestra di campionamento di 300 ms.
  • Modelli più grandi (70B) hanno offerto solo guadagni marginali di prestazioni (circa 2% di miglioramento) ma hanno comportato una latenza di inferenza significativamente più elevata (3,08 s contro 2,17 s per 3B), suggerendo rendimenti decrescenti per il deployment in tempo reale.
• Robustezza:
  • In casi limite (es. nebbia fitta, disturbo GPS, guasto LiDAR), il sistema ha mantenuto alte prestazioni passando dinamicamente a modelli di fallback (es. solo radar o fusione camera-radar), dimostrando un degrado elegante.
  • L'agente DRL ha selezionato azioni ottimali nell'86,6% degli episodi, superando significativamente le baseline basate su regole (67,1%) e casuali (13,2%).

Significato

Il documento posiziona ENWAR 3.0 come una base scalabile per sistemi wireless integrati con LLM capaci di ragionare, percepire e adattarsi in tempo reale. Avanza il campo dal supporto decisionale assistito dalla percezione all'orchestrazione guidata da politiche e consapevole del degrado. Stabilendo un ciclo unificato in tempo reale per la previsione del fascio, il rilevamento delle ostruzioni e il controllo dell'handover, il lavoro affronta i limiti delle euristiche statiche e del ragionamento a scatola nera in ambienti veicolari dinamici. Il framework dimostra che l'integrazione di ragionamento strutturato, memoria e routing adattivo permette ai sistemi wireless di mantenere alte prestazioni e interpretabilità anche sotto significativa incertezza dei sensori e dinamiche ambientali.