Learning-Driven Autonomy in Open-Architecture Autopilots

Sintesi Tecnica: Autonomia Guidata dall'Apprendimento in Autopiloti ad Architettura Aperta

Problematica
I veicoli aerei autonomi (UAV) che operano in ambienti dinamici, incerti e critici per la sicurezza richiedono capacità che vadano oltre il controllo a feedback convenzionale. Queste includono la percezione multimodale, il ragionamento predittivo, la pianificazione consapevole del rischio e il filtraggio della sicurezza formale. Tuttavia, il controllo neurale end-to-end diretto è spesso inadatto per gli autopiloti critici per la sicurezza a causa di problemi di interpretabilità, certificazione e sensibilità agli input fuori distribuzione (out-of-distribution). La sfida centrale consiste nell'integrare la lungimiranza basata sull'apprendimento e il ragionamento probabilistico in uno stack di autopilot ad architettura aperta senza compromettere le garanzie di sicurezza deterministiche fornite dagli strati di controllo classico.

Metodologia
Il documento propone un'architettura di autonomia stratificata e guidata dall'apprendimento, progettata per autopiloti ad architettura aperta (ad esempio, PX4, ArduPilot). Il sistema separa la predizione, l'ottimizzazione, l'attuazione della sicurezza e l'esecuzione in moduli distinti, organizzati attorno a un'architettura eterogenea a tripla ridondanza:

1. Rappresentazione dell'Autonomia Condizionata dalla Triade:
   L'input principale per il modulo di apprendimento è un tensore compatto $\xi_t = c_t \parallel \psi^{ctrl}_t \parallel \pi_t \in \mathbb{R}^{104}$. Questa triade combina:

   • $c_t \in \mathbb{R}^{64}$: Un vettore di credenza (belief vector) multisenso multimodale appreso che riassume le recenti storie sensoriali eterogenee.
   • $\psi^{ctrl}_t \in \mathbb{R}^{32}$: Un embedding delle recenti informazioni sul regime di controllo (storia dell'attuazione, comportamento di commutazione).
   • $\pi_t \in \mathbb{R}^{8}$: Una rappresentazione compressa dell'intento del piano futuro candidato.
     Questa rappresentazione assicura che il modello di previsione sia consapevole dello stato, del controllo e del piano.

2. Percezione Multimodale e Codifica della Credenza:
   Flussi sensoriali eterogenei (navigazione, IMU, ambiente/energia/rischio) vengono elaborati attraverso encoder neurali di modalità. Questi vengono riassunti utilizzando Kernel Mean Embeddings con Random Fourier Features (RFF-KME) per creare riassunti distribuzionali compatti delle finestre sensoriali. Una rete GRU-attention aggrega poi questi riassunti nel vettore di credenza $c_t$, permettendo al modello di pesare le finestre di contesto rilevanti per la predizione futura.

3. Previsione Probabilistica (Deep CVAE):
   Un Autoencoder Variazionale Condizionale (CVAE) modella la distribuzione condizionale $p_\theta(X_{t+1:t+H} | \xi_t)$. Il CVAE utilizza una variabile latente $z$ per catturare fattori di scenario non osservati (ad esempio, vento non osservato, movimento degli ostacoli). Durante l'implementazione, gli scenari latenti vengono campionati dalla prior condizionale per generare un insieme (ensemble) di traiettorie future, fornendo sia le predizioni medie che le stime di incertezza.

4. Controllo Consapevole del Rischio e Filtraggio della Sicurezza:

   • Strato MPC: Uno strato di Controllo Predittivo basato su Modello (MPC) consapevole del rischio utilizza la distribuzione delle previsioni del CVAE (medie, varianze e campioni di scenario) per generare una proposta di controllo nominale.
   • Votazione a Tripla Ridondanza: Il sistema impiega tre canali: (A) un controllore primario in tempo reale, (B) un canale di sicurezza/votazione indipendente e (C) il compagno AI/MPC. I comandi vengono combinati tramite votazione mediana e media pesata per confidenza. Il peso del canale AI ($w_C$) viene ridotto quando l'incertezza della previsione o il rischio aumentano.
   • Filtro di Sicurezza CBF: Il comando votato viene infine proiettato in un insieme di controllo sicuro utilizzando le Funzioni di Barriera di Controllo (CBF). Questo strato impone vincoli rigidi (distanza dagli ostacoli, margini della batteria) modificando minimamente il comando. Fondamentalmente, i margini di sicurezza sono consapevoli dell'incertezza; ad esempio, la distanza effettiva dagli ostacoli viene gonfiata in base all'incertezza della distanza LiDAR predetta ($\sigma_{LiDAR}$) e al punteggio di rischio.

Contributi Chiave

1. Architettura: Uno stack di autonomia strutturato che integra percezione multimodale, previsione probabilistica, MPC, filtraggio della sicurezza CBF e votazione eterogenea, garantendo che i moduli di apprendimento assistano piuttosto che sostituire gli strati di sicurezza deterministici.
2. Tensore della Triade: L'introduzione di un tensore di autonomia condizionato dalla triade che condiziona la predizione su percezione, storia del controllo e intento del piano futuro simultaneamente.
3. Modellazione: Un modello di previsione CVAE profondo che utilizza RFF-KME per la sintesi della modalità e GRU-attention per la codifica del contesto.
4. Integrazione della Sicurezza: L'integrazione di previsioni probabilistiche in una pipeline MPC-CBF-votazione dove l'incertezza della previsione gonfia direttamente i margini di sicurezza nello strato CBF.
5. Garanzie Formali: Un teorema che stabilisce l'invarianza verso il futuro (forward invariance) dell'insieme sicuro sotto il filtraggio CBF ammissibile, con una discussione pratica sulla fattibilità dell'assunzione e sulla conservatività monotona dell'incertezza.
6. Riproducibilità: Un flusso di lavoro di simulazione completo che include metriche di previsione, grafici di incertezza, visualizzazioni dell'attenzione e analisi della traiettoria 3D.

Risultati
L'architettura è stata valutata su un dataset di navigazione UAV (5.000 campioni) utilizzando una divisione cronologica train-test.

• Accuratezza della Previsione: Il CVAE profondo ha raggiunto un RMSE medio di 38.29 su cinque target (altitudine, velocità, distanza LiDAR, livello batteria, rischio), rispetto a 38.92 di un baseline di regressione Ridge deterministica. Il miglioramento è modesto ma costante.
• Calibrazione dell'Incertezza: Il CVAE ha fornito una copertura empirica dell'intervallo di predizione dell'80% compresa tra 0.724 e 0.844 tra i vari target. Sebbene generalmente leggermente inferiore all'80% nominale (indicando una lieve sottocopertura), il modello ha generato con successo intervalli di incertezza assenti nel baseline.
• Comportamento di Sicurezza: Le simulazioni hanno dimostato che lo strato CBF ha ridotto con successo i comandi aggressivi quando i margini previsti di ostacoli o batteria diventavano insicuri. Il meccanismo di votazione ha ridotto dinamicamente il peso del canale AI/MPC all'aumentare del rischio o dell'incertezza previsti, spostando l'autorità verso il canale di sicurezza.
• Rappresentazione: Le diagnosi hanno mostrato che il vettore di credenza rimaneva fluido, mentre gli embedding del regime di controllo e del piano variavano con l'intensità dell'attuazione e i margini di sicurezza, confermando la capacità della triade di distinguere i regimi operativi.

Significato e Rivendicazioni
Il documento sostiene che la sua importanza primaria risieda nel dimostrare un percorso strutturato per l'uso di modelli probabilistici profondi in sistemi di autopilot critici per la sicurezza senza concedere al modulo di apprendimento l'autorità diretta sugli attuatori. Separando il ruolo del modulo di apprendimento (lungimiranza e supporto decisionale) dallo strato di esecuzione (filtraggio della sicurezza deterministico), l'architettura preserva la robustezza del controllo classico pur abilitando una pianificazione adattiva e consapevole del rischio.

Gli autori sottolineano che il CVAE stesso non garantisce la sicurezza; piuttosto, fornisce una lungimiranza probabilistica che informa lo strato CBF. Lo strato CBF impone vincoli rigidi, garantendo che il comando finale sia ammissibile. Il lavoro posiziona il framework come un metodo pratico per integrare l'autonomia basata sull'apprendimento in sistemi ad architettura aperta (come UAV e robotica di campo) dove la sicurezza e la tolleranza ai guasti sono fondamentali. I risultati suggeriscono che, sebbene l'apprendimento profondo offra miglioramenti modesti nell'accuratezza della stima puntuale rispetto ai baseline lineari, il suo vero valore in questo contesto è la fornitura di stime di incertezza che consentono margini di sicurezza consapevoli dell'incertezza e un arbitraggio dinamico dei comandi.