⚡ electrical engineering

Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

Este artículo presenta un marco supervisado informado por la geometría que utiliza Mapas de Rutas Probabilísticas para extraer características de viaje interpretables a partir de datos AIS y entrena un clasificador de Bosque Aleatorio sobre anomalías sintéticas para detectar eficazmente desviaciones de trayectorias marítimas en el Mar Báltico.

Autores originales: Gabriele Oliva, Andrea Tomei, Roberto Setola

Publicado 2026-07-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Gabriele Oliva, Andrea Tomei, Roberto Setola

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el Mar Báltico como un gigantesco y bullicioso sistema de autopistas, pero en lugar de asfalto, los carriles están hechos de agua. Normalmente, los barcos (como tortugas metálicas gigantes) se mantienen en las carreteras principales porque es la forma más rápida y segura de ir del Punto A al Punto B. Pero a veces, un barco puede desviarse del camino, dar vueltas sin rumbo o merodear sospechosamente cerca de un cofre del tesoro submarino secreto (como un cable de fibra óptica). ¿Cómo atrapamos a estos errantes extraños sin perdernos en un mar de datos?

Eso es exactamente lo que Gabriele Oliva y su equipo intentaron resolver. Construyeron un "mapa de lo posible" digital llamado Hoja de Ruta Probabilística (PRM). Piensa en este PRM no como un GPS que le dice a un barco hacia dónde ir, sino como una gigantesca e invisible telaraña extendida sobre el agua. Esta telaraña solo conecta puntos donde un barco puede navegar realmente, manteniéndose alejado de la tierra, las islas y las zonas restringidas. Es como dibujar una red sobre el océano que solo atrapa los caminos "legales".

El Gran Descubrimiento: Una Nueva Forma de Detectar a los Raros
La gran idea del equipo fue usar esta telaraña para medir qué tan "extraño" es el viaje de un barco. Tomaron datos reales de barcos (de 858 viajes de carga reales entre 2017 y 2019) y los compararon con la ruta más corta y eficiente de su red digital.

Para enseñar a su computadora cómo detectar un viaje "malo", tuvieron que ser un poco creativos porque los viajes "malos" en la vida real son escasos. Así que crearon 858 viajes extraños falsos usando cuatro trucos diferentes:

La Línea Tambaleante: Hicieron que los barcos se zigzaguearan de lado a lado como una serpiente (usando una onda senoidal).
El Caminante Borracho: Hicieron que los barcos dieran pasos erráticos y temblorosos en diferentes direcciones.
La Distorsión por IA: Usaron un programa de computadora inteligente para retorcer rutas normales en formas extrañas.
El Merodeo de Cables: Hicieron que algunos barcos aceleraran o permanecieran cerca de cables submarinos, lo cual es un gran error para la seguridad.

Con esta mezcla de 858 viajes reales y 858 viajes extraños falsos, entrenaron un clasificador de "Bosque Aleatorio" (Random Forest). Imagina esto como un equipo de 100 detectives diferentes, cada uno mirando el viaje desde un ángulo ligeramente distinto. Juntos, decidían si un viaje era normal o sospechoso.

Lo Que Encontraron (y Lo Que No)
Los resultados fueron prometedores pero cautelosos. Cuando probaron su sistema con un nuevo conjunto de viajes que nunca había visto, identificó correctamente el comportamiento sospechoso aproximadamente el 74.6% de las veces. Más importante aún, obtuvo una puntuación de 0.837 en una prueba llamada "ROC AUC" (que mide qué tan bueno es el sistema para posicionar los viajes extraños por encima de los normales).

Los autores sugieren que este enfoque funciona porque no solo mira la velocidad o la dirección; mira la geometría del viaje. ¿Tomó el barco un desvío que no tenía sentido? ¿Pasó demasiado tiempo cerca de un cable? Al obligar a los datos a ajustarse primero a su mapa de "telaraña", el sistema pudo detectar estas extrañezas estructurales mucho mejor que si solo mirara números brutos.

Lo Que Excluyen Explícitamente
Es importante notar lo que este artículo no afirma. Los autores declaran explícitamente que no están utilizando modelos "latentes" complejos (que son como cajas negras que aprenden patrones sin mostrarte cómo) como su método principal. En su lugar, argumentan que su método es mejor porque es interpretable: puedes ver realmente por qué se marcó un viaje (por ejemplo, "fue un 20% más largo que la ruta más corta").

También descartan la idea de que su sistema sea un producto terminado y perfecto listo para el mundo real. Admiten que sus viajes "extraños" fueron mayormente simulados (creados por computadoras) en lugar de crímenes de la vida real. Dicen explícitamente que todavía se necesitan anomalías reales e independientes para validar verdaderamente el sistema. No demostraron que atrapan a espías reales; demostraron que atrapan los tipos de extrañezas que ellos programaron en sus datos falsos.

La Conclusión
Este artículo sugiere que añadir un "mapa de por dónde deberían ir los barcos" a la mezcla ayuda a las computadoras a detectar problemas mejor. Es un paso sólido hacia adelante, mostrando que combinar un mapa geométrico con un equipo de detectives digitales puede detectar comportamientos extraños con un nivel de precisión decente (AUC de 0.837). Sin embargo, los autores advierten con cuidado que esto es una "prueba de estrés controlada". El sistema es un fuerte candidato para el futuro, pero aún necesita enfrentarse a la realidad desordenada e impredecible del océano abierto para ser considerado un problema resuelto.

Resumen Técnico: Detección de Anomalías Marítimas Informada por la Geometría mediante Mapas de Rutas Probabilísticos

Planteamiento del Problema
La detección de anomalías marítimas es crítica para la seguridad de la navegación y la protección de la infraestructura submarina, particularmente en entornos complejos como el Mar Báltico, que presenta un tráfico denso, archipiélagos y cables submarinos críticos. Si bien los enfoques recientes basados en datos que utilizan el Sistema de Identificación Automática (AIS) han avanzado mediante el agrupamiento no supervisado, modelos generativos profundos y métodos híbridos basados en grafos, persiste una limitación significativa: la mayoría de los métodos existentes dependen de la modelización del comportamiento latente o de incrustaciones de características aprendidas sin codificar explícitamente las restricciones de viabilidad de navegación. En consecuencia, la consistencia geométrica se infiere implícitamente en lugar de integrarse estructuralmente, lo que podría pasar por alto desviaciones que violan las normas de navegación físicas o regulatorias.

Metodología
Los autores proponen un marco supervisado informado por la geometría que integra Mapas de Rutas Probabilísticos (PRM, por sus siglas en inglés)—desarrollados originalmente para la planificación de movimiento robótico—con aprendizaje automático supervisado para detectar trayectorias anómalas de embarcaciones.

Construcción del Mapa de Rutas Probabilístico (PRM):
- Un grafo no dirigido ponderado $G=(V, E)$ se construye sobre el dominio navegable del Mar Báltico.
- Nodos ( $V$ ): Generados a partir de los puntos de salida/llegada de 858 viajes reales de AIS (1,716 puntos) y puntos muestreados uniformemente dentro del cuadro delimitador del Mar Báltico. Los nodos se filtran utilizando una máscara de tierra-agua derivada de imágenes satelitales Sentinel-2 (umbral de reflectancia $\approx 0.18$ ) para asegurar que se encuentren en el agua. El conjunto final consta de 2,284 nodos válidos.
- Aristas ( $E$ ): Los nodos se conectan con sus $k$ -vecinos más cercanos ( $k=25$ ) si el segmento recto entre ellos se encuentra enteramente en aguas navegables. Las aristas que intersectan las líneas costeras (extraídas de OpenStreetMap) se descartan.
- Función: El PRM sirve como un prior estructural que codifica corredores marítimos factibles. La distancia de ruta más corta $d_G(v_i, v_j)$ en este grafo define la distancia marítima "nominal" entre puntos.
Conjunto de Datos y Generación de Anomalías Sintéticas:
- Datos: Se limpiaron 858 trayectorias reales de buques de carga general del Mar Báltico (enero 2017–enero 2019), las cuales fueron remuestreadas a intervalos de 5 minutos y proyectadas al sistema de coordenadas EPSG:3035.
- Anomalías Sintéticas: Debido a la escasez de anomalías reales etiquetadas, se generaron 858 anomalías sintéticas para crear un conjunto de datos equilibrado (1,716 trayectorias en total). Estas se crearon mediante cuatro mecanismos para asegurar la diversidad:
  - Desviación Sinusoidal: Perturbaciones laterales periódicas con ruido gaussiano añadido.
  - Perturbaciones Basadas en Markov: Desviaciones direccionales estocásticas utilizando un núcleo de probabilidad de 3x3.
  - Distorsiones Basadas en Autoencoders: Distorsiones no lineales introducidas mediante la inyección de ruido en el espacio latente de un autoencoder entrenado.
  - Anomalías de Velocidad Cerca de Cables: Aumentos artificiales de velocidad (1.8x–2.2x) para segmentos que intersectan un buffer de 500 m alrededor de cables submarinos.
Extracción de Características:
Las trayectorias se proyectan sobre los nodos del PRM para extraer tres categorías de descriptores a nivel de viaje:
- Conformidad con el PRM: Métricas que cuantifican la desviación del grafo, incluyendo la relación entre la longitud real de la trayectoria y la longitud de la ruta más corta del PRM ( $L_{AIS}/L_{PRM}$ ), la diferencia de longitud absoluta, la desviación euclidiana máxima y promedio respecto al nodo más cercano del PRM, y la cobertura del PRM.
- Cinemática: Variabilidad en la velocidad y el rumbo, y la aceleración absoluta máxima.
- Interacción Contextual: Distancia mínima a las líneas de costa y métricas relativas a la interacción con cables submarinos (tiempo pasado cerca de cables y velocidad promedio mientras se está cerca de ellos).
Clasificación:
Se entrena un clasificador de Bosque Aleatorio (RF) sobre el conjunto de características extraídas. El modelo utiliza muestreo de bootstrap y subconjuntos de características aleatorios para manejar interacciones heterogéneas y no lineales. Los hiperparámetros se ajustan mediante una búsqueda en dos etapas (búsqueda aleatoria seguida de refinamiento de cuadrícula) utilizando validación cruzada de 10 pliegues.

Contribuciones Clave

Priors Estructurales: El artículo reinterpreta los PRM no para la generación de entradas de control, sino como priors estructurales que codifican explícitamente las restricciones de viabilidad de navegación (geografía, costas, áreas restringidas) en el proceso de detección de anomalías.
Interpretabilidad: Al proyectar las trayectorias sobre un grafo de navegabilidad, el marco extrae características interpretables (por ejemplo, eficiencia de la ruta, desviación geométrica) en lugar de depender únicamente de incrustaciones latentes opacas.
Conciencia de la Infraestructura: La metodología integra explícitamente datos de cables submarinos, permitiendo la detección de anomalías específicamente relacionadas con la infraestructura submarina crítica.
Conjunto de Datos Sintético Equilibrado: La generación de anomalías sintéticas diversas permite el entrenamiento supervisado en un dominio donde las anomalías etiquetadas son de otro modo inexistentes.

Resultados Experimentales
El marco fue evaluado en un conjunto de prueba mantenido fuera (20% de los datos) con los siguientes resultados:

Desempeño: El modelo alcanzó un ROC AUC de prueba de 0.837, con una precisión de prueba del 74.6%, precisión (precision) del 76.2% y exhaustividad (recall) del 71.3%.
Generalización: El AUC de prueba (0.837) se mantuvo cercano al AUC de validación (0.819), lo que indica una generalización estable a pesar del uso de datos sintéticos. El AUC de entrenamiento fue mayor (0.949), lo que sugiere un sobreajuste moderado, que los autores atribuyen a la naturaleza heterogénea y de alta dimensión del espacio de características.
Discriminación: La curva ROC demostró una separación clara del baseline aleatorio, y la distribución de las probabilidades predichas mostró una agrupación distintiva para las trayectorias anómalas frente a las normales.

Significancia y Reivindicaciones
Los autores afirman que la incorporación de restricciones de viabilidad de navegación mediante PRM produce una "representación estructuralmente significativa" del comportamiento marítimo. Este enfoque proporciona un marco interpretable y operativamente relevante para el monitoreo consciente de la infraestructura en entornos geométricamente complejos.

El artículo reconoce modestamente sus limitaciones:

Los resultados dependen de anomalías sintéticas; se requiere de datos de anomalías reales independientes para una validación externa.
El estudio carece de estudios de ablación que comparen el enfoque basado en PRM contra baselines cinemáticos únicamente o geométricos sin PRM para aislar la contribución específica del mapa de rutas.
El PRM actual es estático; se sugiere como trabajo futuro incorporar la dinámica temporal (patrones estacionales) y factores ambientales (clima, corrientes) para evolucionar el grafo hacia un modelo consciente del tiempo.

En última instancia, este trabajo establece una base estructurada basada en grafos para la detección de anomalías marítimas, ofreciendo una alternativa estructurada a las representaciones de trayectoria puramente latentes.

Más como este