Resumo Técnico: NEUROSYMLAND

Declaração do Problema

A avaliação de locais de pouso (LSA - Landing-Site Assessment) seguros em ambientes não estruturados continua sendo um gargalo crítico para o implantação autônomo de UAVs (veículos aéreos não tripulados). As abordagens existentes sem marcadores dependem predominantemente de modelos de aprendizado ponta a ponta que regridem a viabilidade de pouso diretamente de características geométricas e semânticas. Embora eficazes na identificação de perigos óbvios, esses métodos sofrem de três limitações primárias:

1. Falta de Transparência: Eles oferecem interpretabilidade limitada em relação às decisões de segurança, tornando a depuração sistemática e a certificação difíceis.
2. Rigidez: Atualizar restrições operacionais (ex: políticas específicas da missão ou margens de segurança) frequentemente exige retreinamento ou redesenho heurístico.
3. Restrições de Borda (Edge): Métodos recentes baseados em LLM/VLM oferecem raciocínio de alto nível, mas tipicamente dependem de inferência de caixa-preta ou modelos de fundação pesados que excedem os orçamentos de memória e computação de sistemas robóticos implantados em borda.

Metodologia

O artigo propõe o NEUROSYMLAND, um framework neuro-simbólico que desacopla explicitamente a modelagem probabilística do mundo do raciocínio de nível de missão totalmente simbólico. O sistema opera em duas fases distintas:

1. Percepção Online e Modelagem do Mundo

• Processamento de Entrada: Uma imagem monocular é processada por um modelo de segmentação SegFormer-B0 leve, quantizado em INT8, com pós-processamento geométrico.
• Grafo de Cena Semântica Probabilística (PSSG): Em vez de fornecer uma máscara de pouso bruta, o sistema constrói um PSSG ($G = (V, E)$).
  • Nós: Representam regiões segmentadas com atributos (confiança semântica, área, centroide, descritores de forma, proxies de planaridade).
  • Arestas: Codificam relações espaciais (ex: adjacente a, próximo a, contém) computadas deterministicamente a partir da geometria.
  • Incerteza: O grafo serve como um modelo de mundo explícito e inspecionável, onde os atributos dos nós armazenam posteriors semânticos e as arestas codificam confianças de relação.

2. Raciocínio Simbólico e Tomada de Decisão

• Motor de Regras: A camada de decisão utiliza o SCALLOP, um motor de programação lógica probabilística. Ele executa um conjunto de regras simbólicas pré-compiladas e fixas sobre o PSSG.
• Construção de Regras Offline: As regras são sintetizadas offline usando um LLM (OpenAI o3) como assistente para traduzir restrições de especialistas e feedback de casos de falha em candidatas a regras SCALLOP. Estas são refinadas iterativamente via validação humano-no-loop (HITL), mas nenhuma inferência de LLM ocorre em tempo de execução.
• Processo de Inferência:
  • O motor infere perigo(x) e seguro(x) para regiões candidatas baseando-se em predicados como é superfície plana(x) e próximo a(x, pessoa).
  • Validação Multi-frame: Candidatos são validados ao longo de uma janela temporal ($T$) para garantir estabilidade geométrica e ausência de perigos transientes.
  • Classificação Específica da Missão: Uma função de utilidade classifica regiões admissíveis com base em pesos da missão (ex: proximidade ao alvo vs. margens de segurança), produzindo uma proposta de pouso final.

Principais Contribuições

1. Arquitetura Neuro-Simbólica Modular: O framework separa a percepção aprendida do raciocínio simbólico, permitindo o controle de decisão estruturado sob incerteza enquanto mantém a transparência.
2. Raciocínio de Tempo de Execução Determinístico: Ao executar regras SCALLOP compiladas sobre um PSSG, o sistema produz decisões rastreáveis, depuráveis e reconfiguráveis sem necessidade de inferência neural na camada de decisão.
3. Engenharia Assistida por LLM Offline: O artigo introduz um fluxo de trabalho onde LLMs auxiliam apenas na redação de regras offline. O sistema de tempo de execução final é um conjunto de regras fixas e validadas por especialistas, garantindo comportamento determinístico adequado para certificação.
4. Avaliação Viável em Borda (Edge): O sistema é avaliado em hardware embarcado (Jetson Orin Nano), demonstrando que o raciocínio explícito adiciona latência desprezível em comparação aos custos de percepção.

Resultados Experimentais

Os autores avaliaram o NEUROSYMLAND através de 72 cenários de pouso simulados (Software-in-the-Loop) e 100 testes de hardware-in-the-loop (HIL).

Eficácia (SIL)

• Taxa de Sucesso: O NEUROSYMLAND alcançou 61/72 avaliações bem-sucedidas, superando baselines competitivos: PEACE (57/72), SafeUAV (47/72) e LLMExplain (37/72).
• Robustez: O sistema demonstrou robustez superior a semânticas fragmentadas e rótulos espúrios ao raciocinar sobre evidências de nível de região em vez de máscaras de nível de pixel.
• Ablação: Substituir regras probabilísticas por lógica de primeira ordem determinística (NEUROSYMLAND-DetFOL) resultou em 58/71 sucessos, indicando que o aterramento probabilístico do PSSG aumenta ainda mais a qualidade da decisão.

Eficiência (HIL)

• Latência: O sistema alcançou uma latência de ponta a ponta de 1.043,3 ms (~0,96 FPS) em um Jetson Orin Nano.
• Detalhamento Computacional:
  • Percepção e construção do PSSG representaram ~94% da latência total.
  • O raciocínio simbólico contribuiu com apenas ~2% (20,0 ms), confirmando que o overhead de raciocínio é desprezível.
• Uso de Recursos: O sistema operou de forma estável dentro das restrições embarcadas, utilizando 76,9% de CPU, 52% de GPU e 5,6 GB de memória, com consumo de energia de 12,3 W.

Interpretabilidade

A análise qualitativa mostrou que o NEUROSYMLAND fornece rastros de proveniência explícitos, atribuindo decisões a regras específicas (ex: próximo a pessoa, próximo a obstáculo). Diferente dos baselines que produzem máscaras densas ou pontos únicos, o NEUROSYMLAND permite a reconfiguração adaptável à missão (ex: alternar entre modos "Seguro", "Emergência" e "Resgate") simplesmente ajustando pesos de classificação sem retreinamento.

Significância e Alegações

O artigo afirma que o NEUROSYMLAND demonstra a viabilidade de implantar stacks de avaliação de local de pouso robustas e interpretáveis em hardware de UAV limitado por borda. Sua principal significância reside em:

• Desacoplamento de Percepção e Controle: Permite a reconfiguração da missão e depuração sistemática modificando regras simbólicas em vez de retreinar redes neurais.
• Uso de Recursos de Borda Limitado: Prova que o raciocínio simbólico explícito não impõe um fardo computacional proibitivo em sistemas embarcados, visto que o custo é dominado pela percepção.
• Transparência: O sistema oferece caminhos de raciocínio legíveis por humanos e pontuações de segurança rastreáveis, abordando a natureza de "caixa-preta" de abordagens puramente baseadas em aprendizado.

Os autores reconhecem que o desempenho do sistema é fundamentalmente limitado pela qualidade da percepção subjacente (erros de segmentação propagam-se para o PSSG) e que os cenários atuais carecem de elementos dinâmicos significativos. O trabalho futuro é direcionado para melhorar a confiabilidade do modelo de mundo, estender para ambientes dinâmicos e integrar o módulo de avaliação com stacks completas de controle de voo para testes de malha fechada.