Constrained Scenario Adaptation in Flight Simulator Training using Conceptualized State Spaces

Resumo Técnico: Adaptação de Cenários Restritos em Treinamento de Simulador de Voo utilizando Espaços de Estados Conceitualizados

Declaração do Problema
O setor de aviação, orientado pelo Roteiro de IA 2.0 da EASA, exige que sistemas de aprendizado de máquina (ML) sejam não apenas precisos, mas também determinísticos, interpretáveis, rastreáveis a conceitos formalmente definidos, limitados por restrições de segurança explícitas e reconstruíveis post-hoc. As abordagens atuais para o treinamento adaptativo de pilotos frequentemente tratam o ML como um preditor não restrito sobre espaços de características latentes, aplicando restrições apenas como filtros post-hoc. Isso cria uma lacuna metodológica: não há uma transformação formalmente definida que mapeie evidências de treinamento heterogêneas (combinando avaliações baseadas em teoria e telemetria de simulador) em adaptações de cenários admissíveis e que, simultaneamente, garanta determinismo, fundamentação semântica, conformidade de restrições e reconstrubilidade. As abordagens de conceitualização existentes para sistemas ciber-físicos (CPS) não abordam explicitamente como integrar tais espaços de estados semanticamente fundamentados em arquiteturas de ML de segurança crítica.

Metodologia
O artigo propõe um mapeamento formal $\Phi: D_{raw} \rightarrow \Delta_{scenario}$ que decompõe a transição de dados brutos para a adaptação de cenários em quatro subetapas estruturalmente verificadas. A arquitetura é instanciada para o treinamento de reconhecimento e recuperação de estol dentro dos paradigmas de Treinamento Baseado em Evidências (EBT) e Treinamento e Avaliação Baseados em Competências (CBTA).

1. Construção do Espaço de Estados Conceitualizado (RQ1):
   O sistema transforma medições brutas heterogêneas ($D_{raw}$) em um espaço de estados ($S$) determinístico e semanticamente fundamentado usando um processo de três etapas:

   • Discretização: Telemetria contínua e pontuações de avaliação são convertidas em estados diagnósticos discretos ($Z$) via detecção de eventos e limiares (thresholding).
   • Atribuição Semântica: Estados diagnósticos são mapeados para um conjunto finito de Palavras-chave de Elo Profundo (Deep-Linking Keywords - $K$) que representam Conhecimento, Habilidades e Atitudes (KSA). Isso vincula o trabalho de conhecimento baseado na teoria com o desempenho baseado no simulador.
   • Agregação: A evidência é agregada em um estado de aprendiz único ($s_i$) contendo pontuações KSA, traços específicos de manobra, progresso instrucional e contexto. Este estado serve como entrada para o componente de ML, garantindo que nenhuma representação latente ou não restrita seja utilizada.

2. Modelo de Adaptação Restrito (RQ2):
   A lógica de adaptação é governada por um Autômato Finito Determinístico (DFA) que gerencia as fases instrucionais independentemente da camada de ML. A política de adaptação opera dentro de um espaço de ação admissível estritamente definido ($A_{allowed}$) limitado por:

   • Portão de Fase (Phase Gating): A adaptação só é permitida em fases instrucionais específicas.
   • Contratos de Ação: Os parâmetros do cenário (ex: velocidade do vento, altitude, repetição de manobra) são limitados por limites regulatórios e de segurança.
   • Linha de Base Baseada em Regras: Uma política determinística baseada em regras ($\pi_{rule}$) serve como referência, selecionando palavras-chave de foco baseadas em perfis KSA e aplicando classes de adaptação baseadas em limiares (forte, moderada, estável).

3. Aproximação de Política Restrita (RQ2):
   Uma política de ML ($\pi_{ML}$) é treinada para aproximar a linha de base baseada em regras ($\pi_{rule}$) dentro do espaço restrito ($\Pi_c$).

   • Restrições de Aprendizado: Restrições de monotonicidade são impostas durante o treinamento (ex: o aumento da habilidade não deve aumentar a probabilidade de uma adaptação de remediação).
   • Restrições de Inferência: Um operador de projeção determinístico ($P$) recorta as saídas do modelo para o espaço de ação admissível e impõe o portão de fase. Isso garante que, mesmo se o modelo de ML prever uma ação inadmissível, a política executada ($\pi_{exec}$) permaneça conforme por construção.

4. Reconstrubilidade (RQ3):
   Cada decisão é registrada em um traço persistente ($\tau$) contendo entradas brutas, estados intermediários, saídas do modelo e resultados de projeção, permitindo auditoria completa post-hoc.

Principais Contribuições

1. Definição de Mapeamento Formal: O artigo define a transição de evidências de treinamento heterogêneas para a adaptação de cenários admissíveis como um mapeamento determinístico $\Phi$ com quatro propriedades estruturais: determinismo, fundamentação semântica, conformidade de restrições e reconstrubilidade.
2. Construção de Estado Determinístico: Estende as abordagens de conceitualização de CPS ao formalizar uma construção de espaço de estados de três estágios (discretização, atribuição semântica, agregação) que eleva a agregação heurística de palavras-chave em uma representação simbólica formal adequada para diagnóstico e auditoria.
3. ML Arquiteturalmente Restrito: O ML é incorporado como uma aproximação limitada de uma política baseada em regras. A admissibilidade é garantida por construção através de restrições de monotonicidade, controle instrucional determinístico e um operador de projeção, em vez de depender de filtragem post-hoc.
4. Interpretabilidade Integrada: A interpretabilidade e a auditabilidade são tratadas como propriedades arquiteturais derivadas da estrutura do espaço de estados e dos traços de decisão persistentes, em vez de adições post-hoc.

Resultos
O framework foi validado empiricamente como uma prova de conceito usando $N=160$ casos de política derivados de cenários de treinamento de estol, empregando validação cruzada group-wise $k=5$ para evitar vazamento de dados (data leakage).

• Desempenho: A política de ML restrita aproximou a linha de base determinística com um Erro Médio Absoluto (MAE) de perfil de $0.126 \pm 0.024$.
• Classificação: O modelo alcançou uma acurácia de classificação de foco de $0.631 \pm 0.080$, representando um ganho de $+0.344$ sobre a linha de base de classe majoritária ($0.288 \pm 0.042$).
• Análise Semântica: A análise SHAP revelou que, embora certas palavras-chave (ex: "gestão de energia") fossem raramente selecionadas como alvos de foco explícitos, elas atuaram como variáveis significativas de moldagem de política, indicando que o modelo captura interações semânticas complexas em vez de simples replicação de regras.
• Verificação: A verificação analítica confirmou que o sistema satisfaz as quatro propriedades estruturais (P1–P4) por construção, independentemente do tamanho do conjunto de dados.

Significância e Alegações
O artigo afirma demonstrar que a adaptação baseada em ML pode ser estruturalmente compatível com sistemas de treinamento ciber-físicos de segurança crítica sem sacrificar o determinismo ou a auditabilidade. A significância não reside na adaptatividade irrestrita, mas em definir condições formalmente especificadas sob as quais o ML pode operar dentro de um framework de segurança crítica. Os autores declaram explicitamente que os resultados empíricos são uma prova de conceito; o tamanho da amostra ($N=160$) é suficiente para demonstrar operacionalidade e conformidade de restrições, mas não suporta alegações de generalização estatística entre diferentes coortes ou categorias de manobras. O trabalho identifica a generalização multi-coorte e a caracterização formal das condições de correção para decisões de adaptação como próximos passos necessários. A arquitetura proposta oferece um padrão metodológico geral para integrar ML restrito em CPS de segurança crítica, abordando especificamente o requisito da EASA para IA confiável, rastreável e limitada na aviação.