Technische Samenvatting: White-Box Neuraal Ensemble voor Vehiculaire Plasticiteit

Probleemstelling

Autonome voertuigbesturingssystemen worden geconfronteerd met een fundamentele spanning tussen plasticiteit (het vermogen om zich aan te passen aan variërende operationele regimes, zoals veranderende wrijving of voertuigmassa, zonder hertraining) en verifieerbaarheid (de vereiste voor transparante, analyseerbare modellen voor veiligheidscertificering, bijv. ISO 26262).

Huidige state-of-the-art oplossingen vertrouwen vaak op:

1. Gecompileerde, opaak modellen: Tools zoals acados of L4CasADi genereren efficiënte code maar verschuiven de verificatie naar de herkomst van de codegeneratie, waarbij runtime symbolische introspectie ontbreeft.
2. Monolithische leermodellen: Benaderingen zoals Universal Foundation Models of online fine-tuning lijden aan het stabiliteit-plasticiteit-dilemma, wat het risico op instabiliteit in de gesloten lus en catastrofaal vergeten (catastrophic forgetting) met zich meebrengt.
3. Impliciete adaptatie: Methoden zoals Neural-Fly passen het gedrag aan via functiebenaderingen, maar missen vaak expliciete structurele transparantie.

Er bestaat een kloof in het begrip van de specifieke efficiëntiekosten van het behouden van een volledig doorzoekbare, symbolische representatie van een neuraal ensemble binnen een Nonlinear Model Predictive Control (NMPC) raamwerk. Dit onderzoek onderzoekt of strikte white-box auditeerbaarheid kan worden bereikt ten koste van aanzienlijke computationele overhead.

Methodologie

Architectuur: Modulaire Soevereiniteit

De auteurs stellen een white-box adaptieve NMPC voor gebaseerd op een "Modulaire Soevereiniteit"-paradigma (geïnspireerd door HYDRA). In plaats van één monolithisch model te trainen of fysieke parameters online te schatten, construeert het systeem voertuigdynamica als een convex combinatie van bevroren, regime-specifieke neurale specialisten.

• Dynamica Formulering: De globale effectieve dynamica wordt gedefinieerd als $\dot{\hat{x}}(t) = \sum_{i=1}^{N} w_i \cdot \Psi_i(x(t), u(t))$, waarbij $\Psi_i$ bevroren neurale netwerken (specialisten) zijn en $w$ een governance-vector is die beperkt is tot de simplex ($\sum w_i = 1, w_i \ge 0$).
• Geometrische Beperking: Deze formulering beperkt de systeemdynamica tot de convexe hull van de specialisten, wat extrapolatie buiten het getrainde modelgezin voorkomt en interpolatie mogelijk maakt voor ongeziene voertuigconfiguraties (vlootheterogeniteit).

Adaptatiemechanisme: De Governor

Een Governor-module schat de menggewichten ($w$) in real-time in om te adapteren aan regimeverschuivingen (bijv. veranderingen in wrijving, massa).

• Regressie: De Governor minimaliseert de fout tussen gemeten toestandsafgeleiden (benaderd via eindige differenties) en de voorspelde ensemble-output.
• Smoothing: Gewichten worden gladgestreken met behulp van een Exponential Moving Average (EMA) om hoogfrequente oscillaties te onderdrukken.
• Zero-Shot Deployment: De specialistenbibliotheek wordt geconstrueerd via een greedy worst-case selectiestrategie op een hybride synthetische dataset (uniforme sampling + "chirp" trajecten) om dekking van limit-handling gedragingen te garanderen.

Implementatie: Symbolische Auditeerbaarheid

Om maximale transparantie te bereiken, is het ensemble geïmplementeerd met behulp van volledig symbolische representaties in CasADi SX.

• In tegenstelling tot gecompileerde benaderingen, doorloopt de solver de expliciete symbolische computationele graaf van de neurale netwerken bij elke iteratie.
• Dit maakt directe inspectie van de afgeleide-graaf mogelijk (structurele transparantie), hoewel de neurale gewichten zelf semantisch opaak blijven.
• Training: Acht Physics-Informed Neural Networks (PINNs) zijn getraind met een hybride protocol (Adam gevolgd door L-BFGS) om zowel de data-loss als de kinematische consistentie-beperkingen te minimaliseren, waarbij een RMSE van $\approx 4 \times 10^{-6}$ werd bereikt.

Belangrijkste Bijdragen

1. Symbolische NMPC Integratie: De presentatie van een sparse ensemble van bevroren neurale specialisten geïntegreerd in een white-box NMPC raamwerk, ontworpen voor voertuig-plasticiteit onder strikte auditeerbaarheidsvereisten.
2. Kwantificering van Transparantiekosten: Een rigoureuze karakterisering van de computationele overhead die gepaard gaat met het behoud van volledige non-lineaire symbolische retentie. De studie isoleert de "efficiëntieprijs" van een strikte white-box implementatie.
3. Functionele Validatie: Demonstratie dat de architectuur erin slaagt het plasticiteitsprobleem op te lossen (omgaan met abrupte verschuivingen in wrijving, massa en luchtweerstand) ondanks de geïdentificeerde computationele kosten, gevalideerd via synchrone simulatie.

Resultaten

Computationele Benchmarks (Fase I)

De studie kwantificeert een significante trade-off tussen snelheid en auditeerbaarheid:

• Solver Latentie: Het symbolische neurale ensemble veroorzaakt een 72× tot 102× vertraging vergeleken met geoptimaliseerde parametrische fysica-modellen.
  • F1TENTH (1:10 schaal): 535 ms solve tijd (vs. 7,38 ms voor fysica).
  • ORCA (1:43 schaal): 545 ms solve tijd (vs. 5,35 ms voor fysica).
• Bottleneck: De vertraging is structureel. Ongeveer 96% van de tijd wordt verbruikt door NLP-evaluatie (het doorlopen van de symbolische graaf om Jacobiaan te genereren), terwijl de lineaire solver een verwaarloosbare tijd in beslag neemt.
• Adaptatie Latentie: Ondanks de solver-overhead is het adaptatiemechanisme zelf snel (~7,3 ms), aanzienlijk sneller dan Just-In-Time (JIT) recompilatie benaderingen (~752 ms).

Functionele Plasticiteit Validatie (Fase II)

Geëvalueerd op een autonoom racecircuit onder samengestelde regimeverschuivingen:

• Tier 1 (Ideale ODE): De adaptieve controller bereikt bijna-plafond prestaties, waarbij de positie-degradatie beperkt blijft tot +12,9% en een 97,5% mitigatie wordt bereikt ten opzichte van een niet-adaptieve baseline tijdens wrijvingsverschuivingen.
• Tier 2 (Noisy ODE): Het systeem blijft stabiel onder sensorruis, wat bevestigt dat aleatorische onzekerheid de Governor niet destabiliseert.
• Tier 3 (Neural PINNs):
  • Naive Training (Tier 3a): Resulteert in onveilige, meter-schaal positie-drift.
  • Hybrid Training (Tier 3b): Met het verfijnde trainingsprotocol sluit het systeem de kloof met de ideale ODE-plafond. De positiefout blijft < 0,1 m, wat een 35× reductie is in tracking-fout vergeleken met de naive baseline.
• Compound Shifts: Het systeem handelt simultane verschuivingen in wrijving, massa en luchtweerstand succesvol af, wat robuustheid demonstreert die afwezig is in niet-adaptieve baselines.

Betekenis en Claims

Het artikel positioneert zich als een proof-of-concept en een baseline voor de trade-offs tussen structurele transparantie en executiesnelheid.

• De "Kosten om Nul te Berekenen": De auteurs claimen dat de 72–102× vertraging een vaste structurele belasting is van het behouden van volledige runtime introspectie. De Automatic Differentiation (AD) engine besteedt het grootste deel van de tijd aan het doorlopen van dichte paden om sparse bijdragen te verifiëren.
• Veiligheid vs. Snelheid: Het werk betoogt dat hoewel strikte synchrone verifieerbaarheid momenteel de implementatie op hardware in real-time verhindert, de architectuur het voertuig-plasticiteitsprobleem functioneel oplost. De computationele kosten kopen een "veiligheidsmarge": het vermogen om epistemische onzekerheid en samengestelde regimeverschuivingen te hanteren zonder de geverifieerde convexe hull van de modelbibliotheek te verlaten.
• Toekomstige Roadmap: De auteurs claimen niet dat de huidige implementatie klaar is voor deployment. In plaats daarvan suggereren zij dat de lage Jacobian-densiteit (~3,6%) wijst op potentieel voor sensitivity-based pruning om de graaf te comprimeren. Zij stellen ook een asynchrone architectuur voor die de adaptatie-latentie van de solver-latentie kan ontkoppelen, wat potentieel de plasticiteit met snelheid kan verzoenen, zij het ten koste van strikte synchrone auditeerbaarheid.
• Conclusie: De studie valideert dat een white-box, adaptieve controller theoretisch levensvatbaar en functioneel effectief is, wat een transparant pad biedt om het stabiliteit-plasticiteit-dilemma op te lossen, mits toekomstig werk de computationele efficiëntiewand aanpakt.