Resumo Técnico: AURA – Um Framework de Raciocínio Colaborativo para Diagnóstico de Anomalias em Robótica Subaquática

Declaração do Problema

A implantação segura de veículos subaquáticos autônomos (ROVs) em ambientes críticos de segurança é dificultada pela incapacidade dos sistemas tradicionais de controle tolerante a falhas e de Detecção & Identificação de Falhas (FDI) baseados em modelos em lidar com anomalias imprevistas, novas ou compostas. Embora os Gêmeos Digitais (DT) detectem eficazmente desvios do comportamento nominal, eles carecem do raciocínio cognitivo necessário para hipotetizar causas raízes de falhas não modeladas. Por outroou, o uso direto de Grandes Modelos de Linguagem (LLMs) como tomadores de decisão autônomos introduz riscos significativos em relação à confiabilidade, transparência e "alucinações" em domínios críticos. O desafio central é criar um sistema de diagnóstico que aproveite o vasto conhecimento e a capacidade de raciocínio dos LLMs, mantendo a segurança, a confiança e a autoridade dos operadores humanos, particularmente em ambientes subaquáticos remotos ou seguros onde a conectividade com a nuvem pode estar indisponível.

Metodologia: O Framework AURA

Os autores propõem o AURA (Agente de Resiliência Autônoma), um framework colaborativo que sinergiza a expertise humana com a análise impulsionada por IA através de uma arquitetura de dois agentes e um processo de "Destilação com Humano no Ciclo" (Human-in-the-Loop Distillation).

1. Arquitetura e Componentes

• Linha de Base do Gêmeo Digital: O AURA utiliza um Gêmeo Digital baseado em física (implementado no simulador Stonefish) rodando em paralelo com o ROV físico. Ele compara a telemetria em tempo real contra o comportamento esperado do gêmeo usando a Distância de Mahalanobis para detectar desvios estatísticos. O sistema emprega estimativa adaptativa para lidar com o drift ambiental, garantindo que apenas desvios abruptos, induzidos por falhas, acionem o pipeline de diagnóstico.
• Design de Dois Agentes:
  • Agente A (Caracterização de Anomalia de Estado): Um LLM leve, hospedado localmente (4–12B parâmetros), que traduz resíduos numéricos brutos de telemetria em uma descrição de problema estruturada em linguagem natural. Ele opera em sinais de alta frequência e é fundamentado em um Banco de Dados Vetorial (VDB) local.
  • Agente B (Raciocínio Diagnóstico): Um LLM mais poderoso, também hospedado localmente (27B parâmetros), que engaja o operador humano em um diálogo interativo. Ele utiliza Geração Aumentada de Recuperação (RAG) para acessar conhecimento externo (ex: manuais técnicos) e sintetiza hipóteses baseadas na caracterização do Agente A e na entrada do operador.
• Interface Humano no Ciclo (Human-in-the-Loop): O operador humano atua como o árbitro final. O sistema opera como uma ferramenta de aconselhamento; o operador valida diagnósticos e controla ações físicas. Esta interação ocorre via tópicos ROS 2, garantindo integração perfeita com ecossistemas robóticos existentes.

2. O Ciclo de Aprendizado (Destilação com Humano no Ciclo)

Uma inovação crítica do AURA é sua capacidade de aprender com cada sessão de diagnóstico sem o custo computacional de um retreinamento:

1. Diagnóstico: Quando ocorre uma anomalia, o Agente A caracteriza o problema. O Agente B e o operador colaboram para determinar a causa raiz.
2. Destilação: Uma vez que o operador valida um diagnóstico, a sessão (dados brutos, caracterização, diálogo e diagnóstico final) é processada em uma tupla de treinamento concisa: (dados de anomalia brutos → caracterização correta do problema).
3. Armazenamento: Esta tupla é incorporada (embedded) e armazenada em um Banco de Dados Vetorial (VDB) local.
4. Recuperação: Em encontros futuros com anomalias semelhantes, o Agente A recupera esses exemplos destilados para refinar sua caracterização inicial, passando de uma descrição genérica para uma hipótese específica orientada à causa, reduzendo assim a carga cognitiva e as voltas de diálogo exigidas do operador humano.

Principais Contribuições

O artigo delineia quatro contribuições primárias:

1. Um Framework Colaborativo: Um sistema que preserva a autoridade do operador enquanto utiliza LLMs para análise de causa raiz, abordando a lacuna de confiança na robótica autônoma.
2. Arquitetura de Dois Agentes: Uma separação de percepção (Agente A) e raciocínio (Agente B) que melhora a transparência, a controlabilidade e a escalabilidade em hardware de borda (edge).
3. Aprendizado de Diagnóstico Aumentado por Recuperação: Um mecanismo que acumula pares anomalia-solução validados para suportar o raciocínio baseado em experiência, permitindo que o sistema melhore progressivamente sem retreinamento.
4. Interface de Linguagem Natural: Um método de diagnóstico amigável que permite que especialistas não especializados em robótica participem efetivamente do diagnóstico de anomalias.

Resultados Experimentais

O framework foi avaliado utilizando um BlueROV2 em um tanque de água e um gêmeo digital Stonefish paralelo. O estudo comparou o desempenho do sistema em duas fases: Primeiro Encontro (VDB vazio) e Pós-Destilação (VDB preparado com cinco exemplos validados por humanos).

• Métricas: O desempenho foi medido pelo Score de Especificidade de Caracterização (CSS) (escala 1–5) e pelo número de Voltas de Diálogo necessárias para atingir um diagnóstico.
• Descobertas:
  • Primeiro Encontro: O Agente A produziu caracterizações descritivas e genéricas (Média CSS: 2,7), exigindo uma média de 6,2 voltas de diálogo para chegar a uma conclusão.
  • Pós-Destilação: Após aprender com as sessões iniciais, o Agente A gerou caracterizações específicas e orientadas à causa (Média CSS: 4,8). Isso reduziu a interação humana em 71%, baixando a média de voltas de diálogo para 1,8.
  • Generalização: O sistema demonstrou capacidade de recuperar contexto relevante para novas anomalias não vistas dentro das mesmas classes (ex: distúrbios de propulsores, anomalias de movimento vertical/rotacional), confirmando a eficácia da abordagem de aprendizado de poucos disparos (few-shot learning).

Significância e Alegações

O artigo posiciona o AURA como um passo em direção a equipes humano-robô confiáveis e de melhoria contínua. Os autores afirmam que o framework transforma com sucesso a IA de uma ferramenta estática em um parceiro adaptativo ao destilar a expertise humana diretamente no modelo perceptual do agente. Ao manter os LLMs locais e o humano no ciclo para validação, o AURA aborda as preocupações de segurança e confiabilidade associadas à tomada de decisão totalmente autônoma por LLMs.

Os autores enquadram modestamente o presente trabalho como uma prova de conceito validada em um ambiente de laboratório controlado. Eles reconhecem que o estudo depende de um único especialista para avaliação e que a lacuna "sim-to-real" do gêmeo digital requer investigação adicional em implantações em mar aberto. O trabalho futuro é explicitamente direcionado para testes de campo com engenheiros externos, refinamento de parâmetros hidrodinâmicos para condições do mundo real e exploração da geração de conhecimento pré-missão automatizada via simulação. O artigo não afirma resolver todos os problemas de detecção de anomalias, mas estabelece um novo padrão para integrar o feedback humano no ciclo de raciocínio de IA para robótica subaquática.