Resumo Técnico: Ensemble Neural de Caixa Branca para Plasticidade Veicular

Declaração do Problema

Sistemas de controle de veículos autônomos enfrentam uma tensão fundamental entre plasticidade (a capacidade de se adaptar a variados regimes operacionais, como mudanças de fricção ou massa do veículo, sem retreinamento) e verificabilidade (o requisito de modelos transparentes e analisáveis para certificação de segurança, ex: ISO 26262).

As soluções atuais de estado da arte frequentemente dependem de:

1. Modelos compilados e opacos: Ferramentas como acados ou L4CasADi geram código eficiente, mas deslocam a verificação para a procedência da geração de código, carecendo de introspecção simbólica em tempo de execução.
2. Modelos de aprendizado monolíticos: Abordagens como Modelos de Fundação Universais ou ajuste fino online sofrem com o dilema estabilidade-plasticidade, correndo o risco de instabilidade em malha fechada e esquecimento catastrófico.
3. Adaptação implícita: Métodos como o Neural-Fly ajustam o comportamento via aproximadores de função, mas muitas vezes carecem de transparência estrutural explícita.

Existe uma lacuna no entendimento do custo de eficiência específico para manter uma representação simbólica totalmente atravessável de um ensemble neural dentro de um framework de Controle Preditivo de Modelo Não Linear (NMPC). Este artigo investiga se a auditabilidade estrita de caixa branca pode ser alcançada à custa de um overhead computacional significativo.

Metodologia

Arquitetura: Soberania Modular

Os autores propõem um NMPC adaptativo de caixa branca baseado em um paradigma de "Soberania Modular" (inspirado pelo HYDRA). Em vez de treinar um único modelo monolítico ou estimar parâmetros físicos online, o sistema constrói a dinâmica do veículo como uma combinação convexa de especialistas neurais congelados e específicos por regime.

• Formulação da Dinâmica: A dinâmica efetiva global é definida como $\dot{\hat{x}}(t) = \sum_{i=1}^{N} w_i \cdot \Psi_i(x(t), u(t))$, onde $\Psi_i$ são redes neurais congeladas (especialistas) e $w$ é um vetor de governança restrito ao simplex ($\sum w_i = 1, w_i \ge 0$).
• Restrição Geométrica: Esta formulação confina a dinâmica do sistema ao invólucro convexo dos especialistas, impedindo a extrapolação além da família de modelos treinada e permitindo a interpolação para configurações de veículos não vistas (heterogeneidade da frota).

Mecanismo de Adaptação: O Governador

Um módulo Governador estima os pesos de mistura ($w$) em tempo real para se adaptar a mudanças de regime (ex: mudanças de fricção, variações de massa).

• Regressão: O Governador minimiza o erro entre as derivadas de estado medidas (aproximadas via diferenças finitas) e a saída do ensemble previsto.
• Suavização: Os pesos são suavizados usando uma Média Móvel Exponencial (EMA) para suprimir oscilações de alta frequência.
• Implantação Zero-Shot: A biblioteca de especialistas é construída via uma estratégia de seleção gulosa de pior caso em um dataset sintético híbrido (amostragem uniforme + trajetórias "chirp") para garantir a cobertura de comportamentos de limite.

Implementação: Auditabilidade Simbólica

Para alcançar máxima transparência, o ensemble é implementado usando representações totalmente simbólicas em CasADi SX.

• Ao contrário de abordagens compiladas, o solver percorre o grafo computacional simbólico explícito das redes neurais em cada iteração.
• Isso permite a inspeção direta do grafo de derivadas (transparência estrutural), embora os pesos neurais em si permaneçam semanticamente opacos.
• Treinamento: Oito Redes Neurais Informadas pela Física (PINNs) são treinadas usando um protocolo híbrido (Adam seguido de L-BFGS) para minimizar tanto a perda de dados quanto as restrições de consistência cinemática, alcançando um RMSE de $\approx 4 \times 10^{-6}$.

Contribuições Principais

1. Integração de NMPC Simbólico: A apresentação de um ensemble esparso de especialistas neurais congelados integrado a um framework de NMPC de caixa branca projetado para plasticidade veicular sob rigorosas restrições de auditabilidade.
2. Quantificação do Custo de Transparência: Uma caracterização rigorosa do overhead computacional incorrido pela manutenção da retenção simbólica não linear total. O estudo isola o "preço da eficiência" de uma implementação estrita de caixa branca.
3. Validação Funcional: Demonstração de que a arquitetura resolve com sucesso o problema da plasticidade (lidando com mudanças abruptas de fricção, massa e arrasto), apesar dos custos computacionais identificados, validada via simulação síncrona.

Resultados

Benchmarks Computacionais (Fase I)

O estudo quantifica um trade-off significativo entre velocidade e auditabilidade:

• Latência do Solver: O ensemble neural simbólico incorre em um atraso de 72× a 102× comparado a modelos de física paramétricos otimizados.
  • F1TENTH (escala 1:10): 535 ms de tempo de solução (vs. 7,38 ms para física).
  • ORCA (escala 1:43): 545 ms de tempo de solução (vs. 5,35 ms para física).
• Gargalo: O atraso é estrutural. Aproximadamente 96% do tempo é consumido pela avaliação do NLP (percorrendo o grafo simbólico para gerar Jacobianos), enquanto o solver linear leva um tempo desprezível.
• Latência de Adaptação: Apesar do overhead do solver, o mecanismo de adaptação em si é rápido (~7,3 ms), significativamente mais rápido que abordagens de recompilação JIT (~752 ms).

Validação de Plasticidade Funcional (Fase II)

Avaliado em uma pista de corrida autônoma sob mudanças de regime compostas:

• Tier 1 (ODE Ideal): O controlador adaptativo atinge um desempenho próximo ao teto, contendo a degradação de posição em +12,9% e alcançando 97,5% de mitigação em relação a uma baseline não adaptativa durante mudanças de fricção.
• Tier 2 (ODE com Ruído): O sistema permanece estável sob ruído de sensores, confirmando que a incerteza aleatória não desestabiliza o Governador.
• Tier 3 (Neural PINNs):
  • Treinamento Ingênuo (Tier 3a): Resulta em deriva de posição insegura, na escala de metros.
    ção Treinamento Híbrido (Tier 3b): Com o protocolo de treinamento refinado, o sistema fecha a lacuna em relação ao teto da ODE ideal. O erro de posição permanece < 0,1 m, representando uma redução de 35× no erro de rastreamento em comparação com a baseline ingênua.
• Mudanças Compostas: O sistema lida com sucesso com mudanças simultâneas em fricção, massa e arrasto, demonstrando robustez ausente em baselines não adaptativas.

Significância e Alegações

O artigo posiciona-se como uma prova de conceito e um baseline para os trade-offs entre transparência estrutural e velocidade de execução.

• O "Custo para Computar Zeros": Os autores alegam que o atraso de 72–102× é um imposto estrutural fixo de manter a introspecção total em tempo de execução. O motor de Diferenciação Automática (AD) gasta a maior parte do tempo percorrendo caminhos densos para verificar contribuições esparsas.
• Segurança vs. Velocidade: O trabalho argumenta que, embora a verificação síncrona estrita atualmente proíba a implantação em hardware em tempo real, a arquitetura resolve funcionalmente o problema da plasticidade veicular. O custo computacional compra uma "margem de segurança": a capacidade de lidar com incerteza epistêmica e mudanças de regime compostas sem sair do invólucro convexo verificado da biblioteca de modelos.
• Roteiro Futuro: Os autores não alegam que a implementação atual está pronta para implantação. Em vez disso, sugerem que a baixa densidade de Jacobiano (~3,6%) indica potencial para poda baseada em sensibilidade para comprimir o grafo. Eles também propõem que uma arquitetura assíncrona poderia desacoplar a latência de adaptação da latência do solver, potencialmente reconciliando plasticidade com velocidade, embora ao custo da auditabilidade síncrona estrita.
• Conclusão: O estudo valida que um controlador adaptativo de caixa branca é teoricamente viável e funcionalmente eficaz, fornecendo um caminho transparente para resolver o dilema estabilidade-plasticidade, desde que trabalhos futuros abordem a barreira de eficiência computacional.