Résumé Technique : SKETCH – Conditionnement par Points Clés Sémantiques pour la Prédiction de Trajectoires de Navires à Long Terme

1. Énoncé du Problème

La prédiction précise de trajectoires de navires à long terme demeure un défi majeur pour l'intelligence maritime en raison de l'incertitude cumulative inhérente aux comportements de navigation complexes et aux facteurs environnementaux. Les approches existantes font face à deux limitations principales :

1. Incohérence Directionnelle Globale : Les modèles autoregressifs standards (par exemple, les Transformers, les LSTM) échouent souvent à maintenir une cohérence directionnelle globale sur des horizons temporels étendus. À mesure que l'incertitude s'accumule, les prédictions ont tendance à dériver, à s'effondrer en trajectoires implausibles ou à se dégrader en chemins presque horizontaux.
2. Absence de Modélisation Explicite de l'Intention : La plupart des méthodes actuelles opèrent uniquement au niveau cinématique local, en inférant implicitement l'intention de navigation à long terme à partir de motifs de mouvement à court terme. Cela devient de plus en plus peu fiable avec le temps. De plus, les approches basées sur des tokens qui discrétisent l'espace géographique continu peinent à se généraliser à des régions non vues, ce qui entraîne une extrapolation instable.

L'article postule que l'augmentation de la capacité du modèle seule est insuffisante ; au contraire, le problème nécessite une approche hiérarchique qui sépare explicitement les décisions de navigation de haut niveau des dynamiques de mouvement de bas niveau.

2. Méthodologie

Les auteurs proposent SKETCH, un cadre de conditionnement par points clés sémantiques qui décompose la prédiction à long terme en une prise de décision sémantique globale et une modélisation du mouvement local.

2.1. Concept Central : Prochain Point Clé (Next Key Point - NKP)

Le cadre introduit le Prochain Point Clé (NKP) comme une variable d'intention sémantique. Un NKP est défini comme une coordonnée extensible et prédéfinie représentant un nœud maritime sémantiquement significatif (par exemple, zones portuaires, détroits, zones de virage ou jonctions de voies de navigation) qu'un navire est susceptible d'approcher.

• Rôle : Les NKP agissent comme des contraintes sémantiques qui restreignent le support des trajectoires admissibles à des sous-ensembles sémantiquement réalisables, plutôt que de servir de points de passage géométriques précis ou de destinations finales.
• Factorisation : La distribution conditionnelle de la trajectoire future $Y$ étant donné l'historique $X$ est factorisée comme suit :
  $$P(Y | X) = \sum_{Z} P(Y | X, Z) P(Z | X)$$
  où $Z$ représente le NKP. Cela découple l'inférence d'intention de haut niveau ($P(Z|X)$) de la modélisation du mouvement conditionnel ($P(Y|X,Z)$).

2.2. Architecture du Modèle

Le système utilise un Transformer uniquement décodeur (plus précisément une architecture "MiniMind") adapté aux données maritimes continues.

• Traitement des Entrées : La latitude et la longitude sont normalisées entre $[-1, 1]$, tandis que la vitesse au sol (SOG) et le cap (COG) sont convertis en composantes de vitesse mises à l'échelle.
• Représentation Physique : Pour assurer la stabilité numérique lors du déroulement autoregressif, le modèle prédit le SOG et le COG. La position suivante est calculée à l'aide d'une approximation euclidienne locale du mouvement sphérique (Proposition 3.3), évitant ainsi les projections sphériques répétées et l'amplification systématique des erreurs.

2.3. Stratégie d'Entraînement en Trois Étapes

La procédure d'apprentissage approxime la distribution jointe $p(Y, Z | X)$ via trois étapes :

1. Modélisation de la Trajectoire Conditionnelle (Bleu) :

   • Le modèle est entraîné pour prédire $P(Y | X, Z)$ en utilisant des NKP "oracles" de vérité terrain comme conditionnement.
   • Cette étape se concentre sur l'apprentissage de motifs cinématiques fins sous des contraintes sémantiques fixes.
   • Pour atténuer le biais d'exposition, les auteurs utilisent un schéma d'entraînement étape par étape combinant les pertes de Maximum de Vraisemblance (style GPT) et de Clonage de Comportement (apprentissage par imitation).

2. Modélisation du NKP (Vert) :

   • Le squelette de la trajectoire est gelé. Un perceptron multicouche (MLP) léger est entraîné pour estimer $P(Z | X)$.
   • Apprentissage Contrastif : Le modèle utilise une approche de vérification augmentée par recherche. Les trajectoires menant au même NKP sont rapprochées dans l'espace de plongement (embedding), tandis que celles menant à des NKP différents sont éloignées à l'aide d'une perte contrastive.
   • Inférence en Jeu Ouvert (Open-Set) : Au lieu d'un ensemble fermé de ports, l'inférence du NKP est traitée comme un problème d'ensemble ouvert. Lors de l'inférence, le modèle recherche les trajectoires les plus similaires dans une base de données de référence pour vérifier le NKP prédit, permettant une généralisation à des cibles de navigation non vues.

3. Inférence Intégrée :

   • Le système estime d'abord le NKP $\hat{Z}$ à partir de l'historique observé $X$ en utilisant le module NKP entraîné.
   • La trajectoire future est ensuite générée en conditionnant le prédicteur de trajectoire sur $(X, \hat{Z})$.

3. Contributions Clés

1. Identification de l'Écart d'Intention : Les auteurs identifient l'absence de modélisation explicite de l'intention globale comme une limitation fondamentale des méthodes existantes de prédiction de trajectoire de navire à long terme.
2. Conditionnement Sémantique : Introduction du NKP en tant que variable d'intention sémantique, séparant les décisions de navigation globales des dynamiques de mouvement locales au sein d'un cadre hiérarchique.
3. Généralisation en Jeu Ouvert : Une stratégie d'entraînement efficace pour la prévision conditionnée par NKP qui permet au modèle de se généraliser à des cibles de navigation en jeu ouvert via une vérification augmentée par recherche, plutôt que de dépendre d'un ensemble fixe de ports.
4. Performance de Pointe (State-of-the-Art) : Performance supérieure démontrée sur des données AIS réelles, particulièrement pour les longues durées de voyage, la précision directionnelle et la prédiction de trajectoire fine.

4. Résultats Expérimentaux

La méthode a été évaluée sur de grands ensembles de données AIS à l'aide de trois métriques complémentaires : l'Erreur Quadratique Moyenne de Position (MSEP), l'Erreur Quadratique Moyenne de Courbure (MSEC) et la Distance de Fréchet Moyenne (MFD).

• Performance Globale : SKETCH a systématiquement surpassé les bases de référence de pointe (incluant MP-LSTM, TrAISformer, DiffuTraj et AISFuser) sur toutes les métriques. Il a obtenu le MSEP le plus bas (4.40E-5 contre 8.47E-4 pour MP-LSTM) et la plus petite MFD (0.63 contre 4.35 pour MP-LSTM), indiquant une précision ponctuelle et un alignement géométrique global supérieurs.
• Généralisation : Sur un ensemble de données AIS public provenant d'une source différente (hors domaine), SKETCH a maintenu la meilleure performance, alors que TrAISformer a subi une dégradation sévère due à sa dépendance aux couches d'embedding qui ne pouvaient pas se généraliser à des coordonnées non vues.
• Prédiction du NKP : Le modèle affiné en jeu ouvert (sft-o-s2) a atteint une précision de 95,46 % dans la prédiction du NKP, surpassant nettement la base de référence Random Forest (76,54 %) et démontant une robustesse dans la sélection des ancres de navigation futures appropriées.
• Études d'Ablation :
  • Qualité du NKP : L'utilisation de NKP corrects (oracles) a produit les meilleurs résultats. Des NKP incorrects ont causé une dégradation substantielle, confirmant que le guidage sémantique est critique mais doit être précis.
  • Découplage : Les modèles qui ont explicitement découplé la représentation du NKP de la modélisation du mouvement ont surpassé ceux qui injectaient l'information du NKP directement dans les modèles temporels sans découplage.
  • Stabilité de l'Horizon : À mesure que l'horizon de prédiction augmentait (jusqu'à 144 points), SKETCH a maintenu sa stabilité, tandis que les autres modèles montraient des tendances croissantes constantes de l'erreur (MFD).

5. Signification et Revendications

L'article affirme que SKETCH fournit un cadre hiérarchique qui réduit efficacement l'incertitude à long terme en modélisant explicitement l'intention de navigation globale. En découplant l'inférence d'intention de la modélisation du mouvement conditionnel, l'approche améliore la cohérence de la trajectoire et empêche la dérive commune des modèles autoregressifs.

Les auteurs positionnent ce travail non seulement comme une solution pour la navigation maritime, mais comme un paradigme de modélisation général pour d'autres problèmes de prédiction séquentielle à long terme impliquant des structures de décision hiérarchiques. Ils suggèrent que cette approche sert de fondation pour des tâches d'IA maritime en aval, incluant la détection d'anomalies, l'optimisation de routes et la coordination multi-agents, sans revendiquer de déploiement immédiat dans des systèmes opérationnels spécifiques au-delà de la portée de la recherche présentée.