Constrained Scenario Adaptation in Flight Simulator Training using Conceptualized State Spaces

Sintesi Tecnica: Adattamento di Scenari Vincolati nella Formazione con Simulatore di Volo mediante Spazi di Stato Concettualizzati

Problematica
Il settore dell'aviazione, guidato dalla Roadmap AI 2.0 dell'EASA, richiede che i sistemi di machine learning (ML) siano non solo accurati, ma anche deterministici, interpretabili, tracciabili rispetto a concetti formalmente definiti, limitati da espliciti vincoli di sicurezza e ricostruibili post-hoc. Gli approcci attuali all'addestramento adattivo dei piloti trattano spesso il ML come un predittore non vincolato su spazi di caratteristiche latenti, applicando i vincoli solo come filtri post-hoc. Ciò crea un divario metodologico: non esiste una trasformazione formalmente definita che mappi l'evidenza eterogenea della formazione (combinando valutazioni basate sulla teoria e telemetria del simulatore) in adattamenti di scenario ammissibili, garantendo simultaneamente determinismo, fondamento semantico, conformità ai vincoli e ricostruibilità. Gli attuali approcci di concettualizzazione per i sistemi cyber-fisici (CPS) non affrontano esplicitamente come integrare tali spazi di stato semanticamente fondati in architetture ML critiche per la sicurezza.

Metodologia
Il documento propone una mappatura formale $\Phi: D_{raw} \rightarrow \Delta_{scenario}$ che decompone la transizione dai dati grezzi all'adattamento dello scenario in quattro sottostadi strutturalmente verificati. L'architettura è istanziata per l'addestramento al riconoscimento e al recupero dello stallo all'interno dei paradigmi Evidence-Based Training (EBT) e Competency-Based Training and Assessment (CBTA).

1. Costruzione dello Spazio di Stato Concettualizzato (RQ1):
   Il sistema trasforma le misurazioni grezze eterogenee ($D_{raw}$) in uno spazio di stato ($S$) deterministico e semanticamente fondato utilizzando un processo in tre fasi:

• Discretizzazione: La telemetria continua e i punteggi di valutazione vengono convertiti in stati diagnostici discreti ($Z$) tramite rilevamento di eventi e sogliatura.
• Assegnazione Semantica: Gli stati diagnostici sono mappati su un insieme finito di Parole Chiave di Deep-Linking ($K$) che rappresentano Conoscenze, Abilità e Attitudini (KSA). Questo collega il lavoro teorico basato sulla conoscenza con la prestazione nel simulatore.
• Aggregazione: L'evidenza viene aggregata in uno stato unico dell'apprendista ($s_i$) contenente punteggi KSA, caratteristiche di traccia specifiche della manovra, progresso istruttivo e contesto. Questo stato funge da input per la componente ML, garantendo che non vengano utilizzate rappresentazioni latenti o non vincolate.

2. Modello di Adattamento Vincolato (RQ2):
   La logica di adattamento è governata da un Automa a Stati Finiti Deterministico (DFA) che gestisce le fasi istruttive indipendentemente dallo strato ML. La politica di adattamento opera all'interno di uno spazio di azione ammissibile strettamente definito ($A_{allowed}$) vincolato da:

• Gating delle Fasi: L'adattamento è consentito solo in specifiche fasi istruttive.
• Contratti d'Azione: I parametri dello scenario (es. velocità del vento, altitudine, ripetizione della manovra) sono limitati da vincoli normativi e di sicurezza.
• Baseline Basata su Regole: Una politica deterministica basata su regole ($\pi_{rule}$) funge da riferimento, selezionando parole chiave di focus in base ai profili KSA e applicando classi di adattamento basate su soglie (forte, moderata, stabile).

3. Approssimazione della Politica Vincolata (RQ2):
   Una politica ML ($\pi_{ML}$) è addestrata per approssimare la baseline basata su regole ($\pi_{rule}$) all'interno dello spazio vincolato ($\Pi_c$).

• Vincoli di Apprendimento: I vincoli di monotonicità sono imposti durante l'addestramento (es. un aumento delle abilità non deve aumentare la probabilità di un adattamento rimediale).
• Vincoli di Inferenza: Un operatore di proiezione deterministico ($P$) taglia gli output del modello allo spazio di azione ammissibile e impone il gating delle fasi. Ciò garantisce che, anche se il modello ML predice un'azione inammissibile, la politica eseguita ($\pi_{exec}$) rimanga conforme per costruzione.

4. Ricostruibilità (RQ3):
   Ogni decisione viene registrata in una traccia persistente ($\tau$) che contiene input grezzi, stati intermedi, output del modello e risultati della proiezione, consentendo una piena auditabilità post-hoc.

Contributi Chiave

1. Definizione della Mappatura Formale: Il documento definisce la transizione dall'evidenza di formazione eterogenea all'adattamento ammissibile dello scenario come una mappatura deterministica $\Phi$ con quattro proprietà strutturali: determinismo, fondamento semantico, conformità ai vincoli e ricostruibilità.
2. Costruzione Deterministica dello Stato: Estende gli approcci di concettualizzazione dei CPS formalizzando una costruzione dello spazio di stato in tre fasi (discretizzazione, assegnazione semantica, aggregazione) che eleva l'aggregazione euristica delle parole chiave in una rappresentazione simbolica formale adatta alla diagnosi e all'audit.
3. ML Architetturalmente Vincolato: Il ML è inserito come un'approssimazione limitata di una politica basata su regole. L'ammissibilità è garantita per costruzione attraverso vincoli di monotonicità, controllo istruttivo deterministico e un operatore di proiezione, piuttosto che affidarsi a un filtraggio post-hoc.
4. Interpretabilità Integrata: L'interpretabilità e l'auditabilità sono trattate come proprietà architettoniche derivate dalla struttura dello spazio di stato e dalle tracce decisionali persistenti, piuttosto che come aggiunte post-hoc.

Risultati
Il framework è stato validato empiricamente come prova di concetto utilizzando $N=160$ casi di policy derivati da scenari di addestramento allo stallo, impiegando una cross-validazione group-wise $k=5$ per prevenire il data leakage.

• Performance: La politica ML vincolata ha approssimato la baseline deterministica con un errore assoluto medio (MAE) di profilo di $0.126 \pm 0.024$.
• Classificazione: Il modello ha raggiunto un'accuratezza di classificazione del focus di $0.631 \pm 0.080$, rappresentando un incremento di $+0.344$ rispetto a una baseline della classe maggioritaria ($0.288 \pm 0.042$).
• Analisi Semantica: L'analisi SHAP ha rivelato che, sebbene certe parole chiave (es. "gestione dell'energia") fossero raramente selezionate come obiettivi di focus espliciti, esse hanno agito come variabili significative di modellazione della policy, indicando che il modello cattura interazioni semantiche complesse piuttosto che una semplice replica delle regole.
• Verifica: La verifica analitica ha confermato che il sistema soddisfa le quattro proprietà strutturali (P1–P4) per costruzione, indipendentemente dalla dimensione del dataset.

Significatività e Rivendicazioni
Il documento sostiene di dimostrare che l'adattamento basato su ML può essere strutturalmente compatibile con i sistemi cyber-fisici di addestramento critici per la sicurezza senza sacrificare il determinismo o l'auditabilità. La significatività non risiede in un'adattività illimitata, ma nel definire condizioni formalmente specificate sotto le quali il ML può operare all'interno di un quadro di sicurezza. Gli autori dichiarano esplicitamente che i risultati empirici sono una prova di concetto; la dimensione del campione ($N=160$) è sufficiente per dimostrare l'operabilità e la conformità ai vincoli, ma non supporta rivendicazioni di generalizzazione statistica tra diverse coorti o categorie di manovre. Il lavoro identifica la generalizzazione multi-coorte e la caratterizzazione formale delle condizioni di correttezza per le decisioni di adattamento come passi successivi necessari. L'architettura proposta offre un modello metodologico generale per integrare il ML vincolato in sistemi CPS critici per la sicurezza, affrontando specificamente il requisito EASA di un'IA affidabile, tracciabile e limitata nell'aviazione.