💻 computer science

NEUROSYMLAND: Neuro-Symbolic Landing-Site Assessment for Robust and Edge-Deployable UAV Autonomy

Het artikel presenteert NEUROSYMLAND, een neuro-symbolisch framework dat lichtgewicht visuele perceptie combineert met expliciete symbolische redenering om een robuuste, interpreteerbare en aan de edge inzetbare beoordeling van landingsplaatsen voor autonome UAV's te bereiken, waarbij superieure prestaties en begrensd hulpbrongebruik worden aangetoond over uitgebreide gesimuleerde en hardware-in-the-loop evaluaties.

Oorspronkelijke auteurs: Weixian Qian, Tianyi Yang, Sebastian Schroder, Yao Deng, Jiaohong Yao, Xiao Cheng, Richard Han, Xi Zheng

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Weixian Qian, Tianyi Yang, Sebastian Schroder, Yao Deng, Jiaohong Yao, Xiao Cheng, Richard Han, Xi Zheng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drone voor die moet landen in een rommelige, onvoorspelbare achtertuin. De drone kan niet gewoon naar de grond "kijken" en gokken; hij moet er absoluut zeker van zijn dat de plek veilig, vlak en vrij van mensen of huisdieren is.

Het artikel introduceert NEUROSYMLAND, een nieuw systeem ontworpen om drones te helpen deze landingsbeslissingen veilig en transparant te nemen, zelfs op kleine, energiezuinige computers (zoals de computers die in de drone zelf zitten).

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten en analogieën:

1. Het Probleem: Het "Black Box"-dilemma

De meeste huidige drones gebruiken "deep learning" (AI die leert door naar duizenden foto's te kijken). Denk hierbij aan een student die de antwoorden op een toets uit het hoofd heeft geleerd, maar de wiskunde erachter niet begrijpt.

Het Probleem: Als de student een iets andere vraag krijgt (een vreemd terrein of andere belichting), kan hij het fout raden. Erger nog, als hij het fout doet, kun je hem niet vragen waarom. Hij geeft gewoon een antwoord.
Het Risico: In een echte noodsituatie, als een drone in een plas water landt of tegen een persoon aan botst, moeten we precies weten waarom deze fout is gemaakt, zodat we het kunnen oplossen.

2. De Oplossing: De "Architect en de Advocaat"

NEUROSYMLAND verdeelt de taak in twee duidelijke rollen, zoals een bouwteam:

Rol A: De Architect (Het "Neuro"-gedeelte)
Dit zijn de ogen van de drone. Het kijkt naar de camerabeelden en tekent een ruwe kaart. Het identificeert zaken zoals "gras", "rotsen", "mensen" en "vlak asfalt".
- Cruciaal detail: In plaats van alleen te zeggen "Landingsscore: 8/10", bouwt het een Probabilistic Semantic Scene Graph (PSSG). Denk hierbij aan een gestructureerde checklist of een digitale archiefkast. Het ziet niet alleen een groene vlek; het maakt een aantekking: "Er is hier een stuk gras, het is 2 meter breed en het ligt naast een boom." Het noteert ook hoe zeker het is over elk item.
Rol B: De Advocaat (Het "Symbolic"-gedeelte)
Dit is de besluitvormer. Deze gokt niet. Deze volgt een strikt, geschreven regelboek (zoals een juridisch contract).
- Het Regelboek: "ALS er een persoon in de buurt is, DAN land niet." "ALS de grond niet vlak is, DAN land niet." "ALS het gebied te klein is, DAN land niet."
- De Magie: Deze regels zijn geschreven in heldere logica, niet verborgen in een neuraal netwerk. Als de drone ergens landt, kan de "Advocaat" je precies de pagina in het regelboek laten zien die hij gebruikte om die beslissing te nemen.

3. Hoe ze samenwerken

De Architect kijkt naar de wereld en vult de checklist in (de PSSG).
De Advocaat leest de checklist. Hij controleert de feiten tegen het regelboek.
De Beslissing: De Advocaat zegt: "Oké, deze plek heeft gras (Feit), maar het ligt naast een hond (Feit). De regel zegt 'Niet landen in de buurt van honden'. Daarom is deze plek onveilig."

4. De "Human-in-the-Loop" Verfijning

Het artikel vermeldt een slimme manier om de regels te schrijven. Ze gebruikten een AI (een Large Language Model) om te helpen bij het opstellen van de eerste regels, maar alleen voordat de drone ooit is gaan vliegen.

Stel je een menselijke expert en een AI-assistent voor die samen aan het regelboek schrijven. De AI stelt voor: "Misschien moeten we een regel over honden toevoegen?" De menselijke expert controleert dit, zegt: "Ja, maar maak het strenger," en schrijft de definitieve regel.
Zodra de drone vliegt, is de AI-assistent weg. De drone werkt op basis van het vaste, door mensen goedgekeurde regelboek. Dit zorgt ervoor dat de drone snel, voorspelbaar en betrouwbaar is en niet in de war raakt door de AI die tijdens de vlucht "nieuwe regels hallucineert".

5. Waarom dit beter is (De Resultaten)

De onderzoekers hebben dit systeem getest in 72 verschillende gesimuleerde landingsscenario's (zoals een testrit in een videogame) en op echte hardware (een kleine computer genaamd Jetson Orin Nano).

Succespercentage: NEUROSYMLAND identificeerde succesvol veilige landingsplaatsen in 61 van de 72 gevallen. Dit was beter dan andere top-systemen, die slechts 37 tot 57 keer succesvol waren.
Transparantie: Als de drone faalt, kun je in de aantekeningen van de "Advocaat" kijken en precies zien welke regel is overtreden.
Snelheid & Efficiëntie: Ondanks dat het twee stappen doet (Architect + Advocaat), draait het snel genoeg voor een drone. Het deel van de "Advocaat" is zo snel dat het bijna geen tijd kost (minder dan 2% van de totale verwerkingstijd). Het zware werk wordt gedaan door de "Architect" (de camera), wat toch al noodzakelijk is.
Aanpasbaarheid: Als je wilt dat de drone anders handelt (bijv. "Reddingsmissie" vs. "Bezorgmissie"), hoef je alleen de gewichten in het regelboek aan te passen. Je hoeft niet het hele AI-brein opnieuw te trainen.

Samenvatting

NEUROSYMLAND is alsof je een drone een paar ogen geeft (om de wereld te zien) en een strikt, geschreven regelboek (om beslissingen te nemen).

Het vermijdt het "black box"-probleem waarbij AI gokt zonder uitleg.
Het is robuust genoeg om de complexe, echte wereld beter aan te kunnen dan eerdere methoden.
Het is licht genoeg om op een kleine drone-computer te draaien zonder een supercomputer nodig te hebben.

Het artikel concludeert dat deze "neuro-symbolische" aanpak een grote stap is naar het veilig genoeg maken van autonome drones voor gebruik nabij mensen en infrastructuur, omdat hun beslissingen logisch, uitlegbaar en betrouwbaar zijn.

Technische Samenvatting: NEUROSYMLAND

Probleemstelling

Veilige beoordeling van landingsplaatsen (Landing-Site Assessment, LSA) in ongestructureerde omgevingen blijft een kritieke flessenhals voor autonome UAV-inzet. Bestaande marker-vrije benaderingen vertrouwen voornamelijk op end-to-end leermodellen die landingshaalbaarheid direct regresseren vanuit geometrische en semantische kenmerken. Hoewel deze methoden effectief zijn bij het identificeren van overduidelijke gevaren, lijden ze onder drie primaire beperkingen:

Gebrek aan Transparantie: Ze bieden beperkte interpreteerbaarheid met betrekking tot veiligheidsbeslissingen, wat systematisch debuggen en certificering bemoeilijkt.
Rigiditeit: Het bijwerken van operationele restricties (bijv. missie-specifieke beleidsregels of veiligheidsmarges) vereist vaak hertraining of heuristische herontwerp.
Edge-beperkingen: Recente LLM/VLM-gebaseerde methoden bieden hogere-orde redenering, maar zijn doorgaans afhankelijk van black-box inferentie of zware foundation models die de geheugen- en rekenbudgetten van op de edge ingezette robotica overschrijden.

Methodologie

Het artikel stelt NEUROSYMLAND voor, een neuro-symbolisch framework dat de probabilistische wereldmodellering expliciet ontkoppelt van volledig symbolische missie-niveau redenering. Het systeem werkt in twee afzonderlijke fasen:

1. Online Perceptie en Wereldmodellering

Inputverwerking: Een monoculaire afbeelding wordt verwerkt door een lichtgewicht, INT8-gekwantiseerd SegFormer-B0 segmentatiemodel met geometrische post-processing.
Probabilistische Semantische Scenegraaf (PSSG): In plaats van een ruwe landingsmasker te produceren, construeert het systeem een PSSG ( $G = (V, E)$ $G = (V, E)$ ).
- Nodes (Knopen): Representeren gesegmenteerde regio's met attributen (semantische betrouwbaarheid, oppervlakte, zwaartepunt, vormbeschrijvingen, vlakheidsproxy's).
- Edges (Verbindingen): Coderen ruimtelijke relaties (bijv. naast, nabij, bevat) die deterministisch uit geometrie worden berekend.
- Onzekerheid: De graaf dient als een expliciet, inspecteerbaar wereldmodel waarbij node-attributen semantische posteriors opslaan en edges de betrouwbaarheid van relaties coderen.

2. Symbolische Redenering en Besluitvorming

Rule Engine (Regelmotor): De besluitvormingslaag maakt gebruik van SCALLOP, een probabilistische logische programmeermotor. Het voert een vaste, vooraf gecompileerde set symbolische regels uit over de PSSG.
Offline Regelconstructie: Regels worden offline gesynthetiseerd met behulp van een LLM (OpenAI o3) als assistent om expert-restricties en feedback over foutgevallen te vertalen naar kandidaat SCALLOP-regels. Deze worden iteratief verfijnd via human-in-the-loop (HITL) validatie, maar er vindt geen LLM-inferentie plaats tijdens runtime.
Inferentieproces:
- De engine indiceert hazard(x) (gevaar) en safe(x) (veilig) voor kandidaat regio's op basis van predicaten zoals is flat surface(x) (is vlak oppervlak) en near to(x, person) (nabij persoon).
- Multi-frame Validatie: Kandidaten worden gevalideerd over een tijdsvenster ( $T$ ) om geometrische stabiliteit en de afwezigheid van transiënte gevaren te waarborgen.
- Missie-specifieke Rangschikking: Een nutsfunctie rangschikt toelaatbare regio's op basis van missie-gewichten (bijv. nabijheid tot doel versus veiligheidsmarges), wat resulteert in een definitief landingsvoorstel.

Belangrijkste Bijdragen

Modulaire Neuro-Symbolische Architectuur: Het framework scheidt geleerde perceptie van symbolische redenering, wat gestructureerde besluitcontrole onder onzekerheid mogelijk maakt terwijl transparantie behouden blijft.
Deterministische Runtime Redenering: Door gecompileerde SCALLOP-regels uit te voeren over een PSSG, produceert het systeem traceerbare, debugbare en herconfigureerbare beslissingen zonder neurale inferentie in de besluitvormingslaag.
LLM-ondersteunde Offline Engineering: Het artikel introduceert een workflow waarbij LLM's alleen assisteren bij het conceptueel opstellen van regels offline. Het uiteindelijke runtime-systeem is een vaste, door experts gevalideerde regelset, wat deterministisch gedrag garandeert dat geschikt is voor certificering.
Edge-geschikte Evaluatie: Het systeem wordt geëvalueerd op embedded hardware (Jetson Orin Nano), waarbij wordt aangetoond dat expliciete redenering een verwaarloosbare latentie toevoegt ten opzichte van de perceptiekosten.

Experimentele Resultaten

De auteurs evalueerden NEUROSYMLAND over 72 gesimuleerde landingsscenario's (Software-in-the-Loop) en 100 hardware-in-the-loop (HIL) proeven.

Effectiviteit (SIL)

Succespercentage: NEUROSYMLAND behaalde 61/72 succesvolle beoordelingen, waarmee het concurrerende baselines overtreft: PEACE (57/72), SafeUAV (47/72) en LLMExplain (37/72).
Robuustheid: Het systeem demonstreerde superieure robuustheid tegen gefragmenteerde semantiek en foutieve labels door te redeneren over regio-niveau bewijslast in plaats van pixel-niveau maskers.
Ablatie: Het vervangen van probabilistische regels door deterministische First-Order Logic (NEUROSYMLAND-DetFOL) resulteerde in 58/71 successen, wat aangeeft dat de probabilistische gronding van de PSSG de kwaliteit van de besluitvorming verder verbetert.

Efficiëntie (HIL)

Latentie: Het systeem bereikte een end-to-end latentie van 1.043,3 ms (~0,96 FPS) op een Jetson Orin Nano.
Computationele Verdeling:
- Perceptie en PSSG-constructie waren verantwoordelijk voor ~94% van de totale latentie.
- Symbolische redenering droeg slechts ~2% bij (20,0 ms), wat bevestigt dat de redeneer-overhead verwaarloosbaar is.
Resourcegebruik: Het systeem opereerde stabiel binnen embedded beperkingen, waarbij 76,9% CPU, 52% GPU en 5,6 GB geheugen werd gebruikt, met een stroomverbruik van 12,3 W.

Interpreteerbaarheid

Kwalitatieve analyse toonde aan dat NEUROSYMLAND expliciete herkomstsporen (provenance traces) biedt, waarbij beslissingen worden toegeschreven aan specifieke regels (bijv. near person, near obstacle). In tegenstelling tot baselines die dichte maskers of enkelvoudige punten outputten, staat NEUROSYMLAND missie-adaptieve herconfiguratie toe (bijv. schakelen tussen "Safe", "Emergency" en "Rescue" modi) door simpelweg de rangschikkingsgewichten aan te passen zonder hertraining.

Betekenis en Claims

Het artikel claimt dat NEUROSYMLAND de haalbaarheid aantoont van het implementeren van robuuste, interpreteerbare landing-site beoordelingsstacks op edge-beperkte UAV-hardware. De primaire betekenis ligt in:

Ontkoppeling van Perceptie en Controle: Dit maakt missie-herconfiguratie en systematisch debuggen mogelijk door symbolische regels aan te passen in plaats van neurale netwerken te hertrainen.
Begrensd Gebruik van Edge-resources: Het bewijst dat expliciete symbolische redenering geen prohibitieve computationele last oplegt aan embedded systemen, aangezien de kosten worden gedomineerd door perceptie.
Transparantie: Het systeem biedt menselijk leesbare redeneerpaden en traceerbare veiligheidsscores, wat het "black-box" karakter van puur leer-gebaseerde benaderingen aanpakt.

De auteurs erkennen dat de prestaties van het systeem fundamenteel begrensd worden door de kwaliteit van de onderliggende perceptie (segmentatiefouten propageren naar de PSSG) en dat de huidige scenario's een tekort aan significante dynamische elementen vertonen. Toekomstig werk is gericht op het verbeteren van de betrouwbaarheid van het wereldmodel, uitbreiding naar dynamische omgevingen en de integratie van de beoordelingsmodule met volledige vluchtcontrole-stacks voor closed-loop trials.