Learning-Driven Autonomy in Open-Architecture Autopilots

Resumo Técnico: Autonomia Baseada em Aprendizado em Autopilotos de Arquitetura Aberta

Declaração do Problema
Veículos aéreos autônomos (UAVs) operando em ambientes dinâmicos, incertos e críticos para a segurança exigem capacidades que vão além do controle de feedback convencional. Estas incluem percepção multimodal, raciocínio preditivo, planejamento consciente de risco e filtragem de segurança formal. No entanto, o controle neural direto de ponta a ponta é frequentemente inadequado para autopilotos críticos para a segurança devido a questões de interpretabilidade, certificação e sensibilidade a entradas fora da distribuição (out-of-distribution). O desafio central é integrar a previsão baseada em aprendizado e o raciocínio probabilístico em uma pilha de arquitetura aberta de autopiloto sem comprometer as garantias de segurança determinísticas fornecidas pelas camadas de controle clássicas.

Metodologia
O artigo propõe uma arquitetura de autonomia baseada em aprendizado e em camadas, projetada para autopilotos de arquitetura aberta (ex: PX4, ArduPilot). O sistema separa predição, otimização, aplicação de segurança e execução em módulos distintos, organizados em torno de uma arquitetura heterogênea de tripla redundância:

1. Representação de Autonomia Condicionada por Tríade:
   A entrada principal para o módulo de aprendizado é um tensor compacto $\xi_t = c_t \parallel \psi^{ctrl}_t \parallel \pi_t \in \mathbb{R}^{104}$. Esta tríade combina:

   • $c_t \in \mathbb{R}^{64}$: Um vetor de crença multissensorial aprendido que resume históricos heterogêneos de sensores recentes.
   • $\psi^{ctrl}_t \in \mathbb{R}^{32}$: Um embedding de informações recentes do regime de controle (histórico de atuação, comportamento de comutação).
   • $\pi_t \in \mathbb{R}^{8}$: Uma representação comprimida da intenção de um plano futuro candidato.
     Esta representação garante que o modelo de previsão seja consciente do estado, consciente do controle e consciente do plano.

2. Percepção Multimodal e Codificação de Crença:
   Fluxos de sensores heterogêneos (navegação, IMU, ambiente/energia/risco) são processados através de codificadores de modalidade neural. Estes são resumidos usando Kernel Mean Embeddings de Características de Fourier Aleatórias (RFF-KME) para criar resumos distributivos compactos de janelas de sensores. Uma rede GRU-attention então agrega esses resumos no vetor de crença $c_t$, permitindo que o modelo pese janelas de contexto relevantes para a previsão futura.

3. Previsão Probabilística (Deep CVAE):
   Um Autoencoder Variacional Condicional (CVAE) modela a distribuição condicional $p_\theta(X_{t+1:t+H} | \xi_t)$. O CVAE utiliza uma variável latente $z$ para capturar fatores de cenário ocultos (ex: vento não observado, movimento de obstáculos). Durante a implantação, cenários latentes são amostrados da priori condicional para gerar um ensemble de trajetórias futuras, fornecendo tanto previsões médias quanto estimativas de incerteza.

4. Controle Consciente de Risco e Filtragem de Segurança:

   • Camada MPC: Uma camada de Controle Preditivo Baseado em Modelo (MPC) consciente de risco utiliza a distribuição de previsão do CVAE (médias, variâncias e amostras de cenários) para gerar uma proposta de controle nominal.
   • Votação de Tripla Redundância: O sistema emprega três canais: (A) um controlador de tempo real primário, (B) um canal independente de segurança/votação e (C) o companheiro de IA/MPC. Os comandos são combinados via votação de mediana e média ponderada pela confiança. O peso do canal de IA ($w_C$) é reduzido quando a incerteza da previsão ou o risco aumenta.
   • Filtro de Segurança CBF: O comando votado final é projetado em um conjunto de controle seguro usando Funções de Barreira de Controle (CBFs). Esta camada impõe restrições rígidas (distância de obstáculos, margens de bateria) ao modificar minimamente o comando. Crucialmente, as margens de segurança são conscientes da incerteza; por exemplo, a folga efetiva de obstáculos é inflada com base na incerteza da distância do LiDAR ($\sigma_{LiDAR}$) e no escore de risco.

Principais Contribuições

1. Arquitetura: Uma pilha de autonomia estruturada integrando percepção multimodal, previsão probabilística, MPC, filtragem de segurança CBF e votação heterogênea, garantindo que os módulos de aprendizado auxiliem, em vez de substituir, as camadas de segurança determinísticas.
2. Tensor de Tríade: A introdução de um tensor de autonomia condicionado por tríade que condiciona a previsão à percepção, ao histórico de controle e à intenção de plano futuro simultaneamente.
3. Modelagem: Um modelo de previsão Deep CVAE utilizando RFF-KME para sumarização de modalidade e GRU-attention para codificação de contexto.
4. Integração de Segurança: A integração de previsões probabilísticas em um pipeline MPC-CBF-votação onde a incerteza da previsão infla diretamente as margens de segurança na camada CBF.
5. Garantias Formais: Um teorema estabelecendo a invariância de conjunto para frente do conjunto seguro sob filtragem CBF viável, com uma discussão prática sobre a suposição de viabilidade e o conservadorismo monotônico de incerteza.
6. Reprodutibilidade: Um fluxo de trabalho de simulação completo incluindo métricas de previsão, gráficos de incerteza, visualizações de atenção e análise de trajetória 3D.

Resultados
A arquitetura foi avaliada em um conjunto de dados de navegação de UAV (5.000 amostras) usando uma divisão cronológica de treino-teste.

• Precisão de Previsão: O Deep CVAE alcançou um RMSE médio de 38,29 em cinco alvos (altitude, velocidade, distância do LiDAR, nível de bateria, risco), comparado a 38,92 para uma linha de base de regressão Ridge determinística. A melhoria é modesta, mas consistente.
• Calibração de Incerteza: O CVAE forneceu cobertura de intervalo de previsão empírica de 80% variando de 0,724 a 0,844 entre os alvos. Embora geralmente ligeiramente abaixo dos 80% nominais (indicando uma leve subcobertura), o modelo gerou com sucesso intervalos de incerteza ausentes na linha de base.
• Comportamento de Segurança: Simulações demonstraram que a camada CBF reduziu com sucesso comandos agressivos quando as margens previstas de obstáculos ou bateria tornaram-se inseguras. O mecanismo de votação reduziu dinamicamente o peso do canal de IA/MPC conforme o risco ou a incerteza previstos aumentavam, transferindo a autoridade para o canal de segurança.
• Representação: Diagnósticos mostraram que o vetor de crença permaneceu suave, enquanto os embeddings de regime de controle e de plano variaram com a intensidade de atuação e as margens de segurança, confirmando a capacidade da tríade de distinguir regimes operacionais.

Significância e Alegações
O artigo alega que sua principal significância reside em demonstrar um caminho estruturado para o uso de modelos probabilísticos profundos em sistemas de autopiloto críticos para a segurança sem conceder ao módulo de aprendizado autoridade direta sobre os atuadores. Ao separar o papel do módulo de aprendizado (previsão e suporte à decisão) da camada de execução (filtragem de segurança determinística), a arquitetura preserva a robustez do controle clássico ao mesmo tempo em que permite um planejamento adaptativo e consciente de risco.

Os autores enfatizam que o próprio CVAE não garante a segurança; em vez disso, ele fornece previsão probabilística que informa a camada CBF. A camada CBF impõe restrições rígidas, garantindo que o comando final seja admissível. O trabalho posiciona-se como um framework prático para integrar autonomia baseada em aprendizado em sistemas de arquitetura aberta (como UAVs e robótica de campo) onde a certificação de segurança e a tolerância a falhas são primordiais. Os resultados sugerem que, embora o aprendizado profundo ofereça melhorias modestas na precisção de estimativa de ponto sobre bases lineares, seu verdadeiro valor neste contexto é o fornecimento de estimativas de incerteza que permitem margens de segurança conscientes da incerteza e arbitragem dinâmica de comando.