Nie jeden model, tylko system odpowiedzialności.
Najpierw był problem ruchu. Dopiero potem powstała architektura.
CDC zaczął się od robota mobilnego i bardzo praktycznego pytania: jak sprawić, aby układ nie był wyłącznie reaktywnym automatem, który widzi przeszkodę i wykonuje jedną zaprogramowaną odpowiedź? Kolejne iteracje ujawniały typowe problemy autonomii: zbyt szybkie przywiązanie do lokalnie dobrej akcji, oscylowanie między rozwiązaniami, utknięcia, powtarzanie nieskutecznego manewru oraz konflikt między szybkością reakcji a potrzebą szerszego kontekstu.
Zamiast dokładać jedną coraz większą sieć, projekt rozszedł się na kilka wyspecjalizowanych mechanizmów. Fast miał reagować szybko. Slow utrzymywać kontekst. Predictor patrzeć o krok lub kilka kroków do przodu. Pamięć proceduralna przechowywać manewry, które już się sprawdziły. Safety miało pozostać warstwą nadrzędną wobec „pewności” pozostałych części.
Ważne było również to, że robot nie pracował w jednej idealnej planszy. Symulator służył do generowania kolejnych sytuacji: innych układów przejść, ciasnych fragmentów, otwartych przestrzeni i miejsc, w których lokalnie poprawna decyzja mogła prowadzić do utknięcia. Kolejne przebiegi stawały się więc nie tyle „testem jazdy”, co testem tego, czy system potrafi zmienić sposób zachowania, gdy dotychczasowy przestaje działać.
Wraz z rozwojem pojawiła się druga oś projektu: nie tylko wybór ruchu, ale też zarządzanie stanem samego systemu. Z tego wyniknęły mechanizmy przeciwdziałające stagnacji i oscylacji, osobne źródła decyzji, pamięć manewrów oraz warstwa modulacji, która miała wprowadzić kontrolowaną zmienność bez sprowadzania całego sterowania do losowości.
predict(). Potrzebne są również pamięć, możliwość zmiany strategii, kontrola stagnacji, sprzężenie zwrotne i niezależne ograniczenie ryzyka.Każdy krok jest przepływem danych, decyzji i walidacji.
Stan chwilowy
- LIDAR i odległości kierunkowe
- czujniki pomocnicze
- pozycja i orientacja
- stan poprzedniej decyzji
Kandydaci decyzji
- Fast Brain
- Slow Brain
- Predictor
- pamięć i modulacja stanu
Arbitraż + Safety
- ocena kandydata
- korekta / STOP / escape
- napęd różnicowy
- nowy stan → sprzężenie zwrotne
Odpowiada za szybkie reakcje na aktualny stan.
Utrzymuje szerszą sekwencję, kontekst i pamięć.
Dodaje ocenę kierunku przyszłej zmiany stanu.
Może ograniczyć lub przerwać wykonanie niezależnie od preferencji modelu.
Atraktor Lorenza nie jest ozdobnym wykresem. Został sprzężony z aktywacją warstw ukrytych.
modulated state
Aktywacja zależna od stanu wewnętrznego
Jednym z najbardziej charakterystycznych elementów CDC jest autorskie wykorzystanie deterministycznej dynamiki chaotycznej nie tylko jako dodatkowej cechy wejściowej, lecz jako sygnału sprzężonego z pobudzeniem warstw ukrytych. Stan atraktora Lorenza moduluje wzmocnienie aktywacji, przez co odpowiedź ukrytych reprezentacji nie jest całkowicie statyczna względem chwilowego bodźca.
W praktyce oznacza to, że dwie identyczne obserwacje sensoryczne nie muszą być przetwarzane przez ukryte warstwy w identycznym stanie pobudzenia, jeżeli system znajduje się w innym punkcie własnej dynamiki. To nie jest dodawanie losowego szumu do decyzji. Jest to sprzężenie chwilowej reprezentacji z deterministycznie ewoluującym stanem wewnętrznym, które może zmieniać podatność sieci na konkretne cechy wejściowe.
Lorenz pełni w tym układzie rolę najsilniej związaną z pobudzeniem aktywacji. Pozostałe atraktory są wykorzystywane w odmiennych funkcjach regulacyjnych, dzięki czemu cały mechanizm nie sprowadza się do jednego wspólnego „współczynnika chaosu”. Rozdzielenie tych ról było ważne z punktu widzenia strojenia: system może reagować zmianą pobudzenia, eksploracji lub czujności bez konieczności przebudowy całej ścieżki decyzyjnej.
Dokładne współczynniki, zakresy i sposób integracji pozostają poza publikacją. W case study pokazujemy zasadę działania, bo to właśnie ona odróżnia CDC od prostego „sieć + trzy wykresy chaosu”.
Szybkość, kontekst, pamięć i bezpieczeństwo nie konkurują o tę samą odpowiedzialność.
Reakcja na stan bieżący, szybki wybór kandydata.
Kontekst i ocena sekwencji, pamięć przestrzenna i konceptowa.
Proceduralne wzorce działań i ponowne wykorzystanie znanych manewrów.
Ograniczanie ryzyka, wyjście ze stagnacji, korekta toru i blokada niebezpiecznej akcji.
Od próbki sensorycznej do ruchu — bez skracania procesu do jednego przewidywania.
W publikowanym wycinku telemetrii występują zarówno zwykłe źródła decyzji, jak i osobne interwencje HARD_SAFETY, STAGNATION, ANTI_STALL, korekty boczne i redukcja prędkości. Dzięki temu log rejestruje nie tylko końcową akcję, lecz również kto przejął odpowiedzialność za jej wybór lub korektę.
Trzy atraktory — trzy różne role w stanie systemu.
W robotycznej gałęzi CDC zastosowano trzy deterministyczne układy chaotyczne: Lorenza, Rösslera i Double Scroll. Nie są traktowane jako generator „przypadkowych decyzji”. Ich zadaniem jest modulowanie różnych aspektów wewnętrznego stanu i przeciwdziałanie nadmiernej sztywności reakcji.
Manewr jest wzorcem działania, który może zostać oceniony, zapisany i ponownie użyty.
CDC rozwijał bibliotekę manewrów jako osobną warstwę doświadczenia. Sekwencje akcji nie muszą za każdym razem powstawać od zera: mogą zostać zidentyfikowane, zweryfikowane, powiązane z wynikiem i później wyszukane jako kandydat w podobnym kontekście. Publicznie pokazujemy przebieg funkcjonalny, ale nie dokładny layout ramki ani funkcję podobieństwa.
W uproszczeniu można myśleć o tym jak o kompaktowym rekordzie proceduralnym: nie „opisuje” on słownie zachowania, tylko reprezentuje sekwencję ruchów i kontekst jej użycia. Taki zapis może przejść drogę od kandydata, przez weryfikację, po utrwalenie jako wzorzec. Szybki mechanizm wyszukiwania ma następnie znaleźć pasujące doświadczenie bez uruchamiania pełnego procesu uczenia od początku dla każdej podobnej sytuacji.
To rozdzielenie było istotne również dla wydajności. Sieć może nadal uczyć się i aktualizować, ale sprawdzony manewr nie musi być za każdym razem „odkrywany ponownie”. Pamięć proceduralna działa więc jako warstwa skracająca drogę od rozpoznanego kontekstu do sensownego kandydata ruchu, a walidacja i Safety nadal mogą taki kandydat odrzucić.