⚡ electrical engineering

Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

Cet article présente un cadre supervisé informé par la géométrie qui utilise des cartes routières probabilistes (Probabilistic Roadmaps) pour extraire des caractéristiques de voyage interprétables à partir des données AIS et entraîne un classificateur de type Forêt Aléatoire sur des anomalies synthétiques afin de détecter efficacement les déviations de trajectoire maritime dans la mer Baltique.

Auteurs originaux : Gabriele Oliva, Andrea Tomei, Roberto Setola

Publié 2026-07-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gabriele Oliva, Andrea Tomei, Roberto Setola

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez la mer Baltique comme un immense système d'autoroutes très fréquenté, mais au lieu de l'asphalte, les voies sont faites d'eau. Habituellement, les navires (comme de géantes tortues métalliques) restent sur les routes principales car c'est le moyen le plus rapide et le plus sûr d'aller d'un point A à un point B. Mais parfois, un navire peut s'écarter du chemin, tourner en rond sans but ou stagner de manière suspecte près d'un coffre au trésor sous-marin secret (comme un câble à fibre optique). Comment attraper ces errants étranges sans se perdre dans un océan de données ?

C'est exactement ce que Gabriele Oliva et son équipe ont tenté de résoudre. Ils ont construit une « carte du possible » numérique appelée Carte Routière Probabiliste (PRM - Probabilistic Roadmap). Voyez cette PRM non pas comme un GPS qui dit à un navire où aller, mais comme une immense toile d'araignée invisible tendue sur l'eau. Cette toile ne relie que les points où un navire peut réellement naviguer — en restant à l'écart des terres, des îles et des zones restreintes. C'est comme dessiner un filet sur l'océan qui ne capture que les trajectoires « légales ».

La découverte principale : une nouvelle façon de repérer les atypiques
La grande idée de l'équipe a été d'utiliser cette toile d'araignée pour mesurer à quel point le voyage d'un navire est réellement « bizarre ». Ils ont pris des données réelles de navires (issues de 858 trajets de cargos réels entre 2017 et 2019) et les ont comparées au chemin le plus court et le plus efficace sur leur toile numérique.

Pour apprendre à leur ordinateur à repérer un « mauvais » trajet, ils ont dû faire preuve de créativité car les « mauvais » trajets de la vie réelle sont rares. Ils ont donc créé 858 faux trajets bizarres en utilisant quatre astuces différentes :

La ligne ondulante : Ils ont fait osciller les navires de gauche à droite comme un serpent (en utilisant une onde sinusoïdale).
La marche de l'ivrogne : Ils ont fait faire aux navires des pas aléatoires et saccadés dans différentes directions.
La distorsion par l'IA : Ils ont utilisé un programme informatique intelligent pour tordre des trajectoires normales en formes étranges.
Le survol de câble : Ils ont fait en sorte que certains navires filent ou stagnent juste à côté de câbles sous-marins, ce qui est une interdiction majeure pour la sécurité.

Avec ce mélange de 858 trajets réels et de 858 faux trajets bizarres, ils ont entraîné un classificateur « Forêt Aléatoire » (Random Forest). Imaginez cela comme une équipe de 100 détectives différents, chacun examinant le trajet sous un angle légèrement différent. Ensemble, ils décidaient si un trajet était normal ou suspect.

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)
Les résultats sont prometteurs mais prudents. Lorsqu'ils ont testé leur système sur un nouvel ensemble de trajets qu'il n'avait jamais vus auparavant, il a correctement identifié les comportements suspects environ 74,6 % du temps. Plus important encore, il a obtenu un score de 0,837 sur un test appelé « ROC AUC » (qui mesure la capacité du système à classer les trajets bizarres plus haut que les trajets normaux).

Les auteurs suggèrent que cette approche fonctionne parce qu'elle ne regarde pas seulement la vitesse ou la direction ; elle examine la géométrie du trajet. Le navire a-t-il fait un détour qui n'a aucun sens ? A-t-il passé trop de temps près d'un câble ? En forçant les données à s'insérer d'abord dans leur carte de « toile d'araignée », le système pouvait repérer ces bizarreries structurelles bien mieux que s'il se contentait d'examiner des chiffres bruts.

Ce qu'ils excluent explicitement
Il est important de noter ce que cet article ne prétend pas. Les auteurs déclarent explicitement qu'ils n'utilisent pas de modèles « latents » complexes (qui sont comme des boîtes noires apprenant des modèles sans vous montrer comment) comme méthode principale. Au lieu de cela, ils soutiennent que leur méthode est meilleure car elle est interprétable — vous pouvez réellement voir pourquoi un trajet a été signalé (par exemple, « il était 20 % plus long que le chemin le plus court »).

Ils excluent également l'idée que leur système soit un produit fini et parfait prêt pour le monde réel. Ils admettent que leurs trajets « bizarres » étaient principalement simulés (créés par des ordinateurs) plutôt que des crimes réels. Ils affirment explicitement que des anomalies réelles et indépendantes sont encore nécessaires pour véritablement valider le système. Ils n'ont pas prouvé qu'ils attrapaient de vrais espions ; ils ont prouvé qu'ils attrapaient les types de bizarreries qu'ils avaient programmées dans leurs fausses données.

L'essentiel à retenir
Cet article suggère que l'ajout d'une « carte de là où les navires devraient aller » aide les ordinateurs à mieux repérer les problèmes. C'est une étape solide, montrant que la combinaison d'une carte géométrique avec une équipe de détectives numériques peut repérer un comportement anormal avec un niveau d'exactitude satisfaisant (AUC de 0,837). Cependant, les auteurs sont prudents et disent qu'il s'agit d'un « test de résistance contrôlé ». Le système est un candidat sérieux pour l'avenir, mais il doit encore affronter la réalité désordonnée et imprévisible de l'océan libre pour être considéré comme un problème résolu.

Résumé Technique : Détection d'Anomalies Maritimes Informée par la Géométrie à l'aide de Roadmaps Probabilistes

Énoncé du Problème
La détection d'anomalies maritimes est cruciale pour la sécurité de la navigation et la protection des infrastructures sous-marines, particulièrement dans des environnements complexes comme la mer Baltique, qui présente un trafic dense, des archipels et des câbles sous-marins critiques. Bien que les approches récentes fondées sur les données utilisant le Système d'Identification Automatique (AIS) aient progressé grâce au partitionnement non supervisé, aux modèles génératifs profonds et aux méthodes hybrides basées sur les graphes, une limitation significative persiste : la plupart des méthodes existantes reposent sur la modélisation de comportements latents ou sur des plongements de caractéristiques appris sans encoder explicitement les contraintes de faisabilité de la navigation. Par conséquent, la cohérence géométrique est souvent inférée implicitement plutôt que structurellement intégrée, ce qui peut occulter les écarts violant les normes de navigation physiques ou réglementaires.

Méthodologie
Les auteurs proposent un cadre supervisé informé par la géométrie qui intègre des Roadmaps Probabilistes (PRM) — initialement développées pour la planification de mouvement robotique — avec l'apprentissage automatique supervisé pour détecter les trajectoires de navires anormales.

Construction de la Roadmap Probabiliste (PRM) :
- Un graphe non orienté pondéré $G=(V, E)$ est construit sur le domaine navigable de la mer Baltique.
- Nœuds ( $V$ ) : Générés à partir des points de départ/arrivée de 858 voyages réels de l'AIS (1 716 points) et de points échantillonnés uniformément dans le rectangle englobant de la mer Baltique. Les nœuds sont filtrés à l'aide d'un masque terre-eau dérivé de l'imagerie satellite Sentinel-2 (seuil de réflectance $\approx 0,18$ ) pour garantir qu'ils se situent sur l'eau. L'ensemble final comprend 2 284 nœuds valides.
- Arêtes ( $E$ ) : Les nœuds sont connectés à leurs $k$ plus proches voisins ( $k=25$ ) si le segment droit entre eux se situe entièrement dans les eaux navigables. Les arêtes intersectant les côtes (extraites d'OpenStreetMap) sont rejetées.
- Fonction : La PRM sert de priorité structurelle encodant les corridors maritimes réalisables. La distance de plus court chemin $d_G(v_i, v_j)$ sur ce graphe définit la distance maritime « nominale » entre les points.
Jeu de Données et Génération d'Anomalies Synthétiques :
- Données : 858 trajectoires réelles de navires de charge générale de la mer Baltique (janvier 2017 – janvier 2019) ont été nettoyées, rééchantillonnées à des intervalles de 5 minutes et projetées dans le système de coordonnées EPSG:3035.
- Anomalies Synthétiques : En raison de la rareté des anomalies réelles étiquetées, 858 anomalies synthétiques ont été générées pour créer un ensemble de données équilibré (1 716 trajectoires au total). Celles-ci ont été créées via quatre mécanismes pour assurer la diversité :
  - Déviation Sinusoïdale : Perturbations latérales périodiques avec ajout de bruit gaussien.
  - Perturbations Basées sur Markov : Déviations directionnelles stochastiques utilisant un noyau de probabilité 3x3.
  - Distorsions Basées sur l'Autoencodeur : Distorsions non linéaires introduites en injectant du bruit dans l'espace latent d'un autoencodeur entraîné.
  - Anomalies de Vitesse Près des Câbles : Augmentations artificielles de vitesse (1,8x–2,2x) pour les segments intersectant une zone tampon de 500 m autour des câbles sous-marins.
Extraction de Caractéristiques :
Les trajectoires sont projetées sur les nœuds de la PRM pour extraire trois catégories de descripteurs au niveau du voyage :
- Conformité à la PRM : Métriques quantifiant la déviation par rapport au graphe, incluant le ratio de la longueur réelle de la trajectoire sur la longueur du plus court chemin de la PRM ( $L_{AIS}/L_{PRM}$ ), la différence de longueur absolue, la déviation euclidienne maximale et moyenne par rapport au nœud de la PRM le plus proche, et la couverture de la PRM.
- Cinématique : Variabilité de la vitesse et du cap, ainsi que l'accélération absolue maximale.
- Interaction Contextuelle : Distance minimale aux côtes et métriques concernant l'interaction avec les câbles sous-marins (temps passé près des câbles et vitesse moyenne lors de la proximité avec ceux-ci).
Classification :
Un classifieur de Forêt Aléatoire (Random Forest - RF) est entraîné sur l'ensemble des caractéristiques extraites. Le modèle utilise l'échantillonnage par bootstrap et des sous-ensembles de caractéristiques aléatoires pour gérer les interactions hétérogènes et non linéaires. Les hyperparamètres sont ajustés via une recherche en deux étapes (recherche aléatoire suivie d'un raffinement par grille) en utilisant une validation croisée à 10 plis.

Principales Contributions

Priorités Structurelles : L'article réinterprète les PRM non pas pour la génération d'entrées de contrôle, mais comme des priorités structurelles qui encodent explicitement les contraintes de faisabilité de la navigation (géographie, côtes, zones restreintes) dans le processus de détection d'anomalies.
Interprétabilité : En projetant les trajectoires sur un graphe de navigabilité, le cadre extrait des caractéristiques interprétables (ex: efficacité de la route, déviation géométrique) plutôt que de reposer uniquement sur des plongements latents opaques.
Conscience des Infrastructures : La méthodologie intègre explicitement les données de câbles sous-marins, permettant la détection d'anomalies spécifiquement liées aux infrastructures sous-marines critiques.
Jeu de Données Synthétique Équilibré : La génération d'anomalies synthétiques diverses permet un entraînement supervisé dans un domaine où les anomalies rélles étiquetées sont autrement indisponibles.

Résultats Expérimentaux
Le cadre a été évalué sur un ensemble de test (20 % des données) avec les résultats suivants :

Performance : Le modèle a obtenu un AUC ROC de test de 0,837, avec une précision de 74,6 %, une précision (precision) de 76,2 % et un rappel (recall) de 71,3 %.
Généralisation : L'AUC de test (0,837) est restée proche de l'AUC de validation (0,819), indiquant une généralisation stable malgré l'utilisation de données synthétiques. L'AUC d'entraînement était plus élevée (0,949), suggérant un surapprentissage modéré, que les auteurs attribuent à la nature hétérogène et de haute dimension de l'espace des caractéristiques.
Discrimination : La courbe ROC a démontré une séparation claire par rapport à la ligne de base aléatoire, et la distribution des probabilités prédites a montré un regroupement distinct pour les trajectoires anormales par rapport aux normales.

Signification et Revendications
Les auteurs affirment que l'encodage des contraintes de faisabilité de la navigation via les PRM produit une « représentation structurellement significative » du comportement maritime. Cette approche fournit un cadre interprétable et opérationnellement pertinent pour la surveillance tenant compte des infrastructures dans des environnements géométriquement complexes.

L'article reconnaît modestement ses limites :

Les résultats dépendent d'anomalies synthétiques ; des données d'anomalies réelles indépendantes sont nécessaires pour une validation externe.
L'étude manque d'études d'ablation comparant l'approche basée sur la PRM à des bases géométriques uniquement cinématiques ou non-PRM pour isoler la contribution spécifique de la roadmap.
La PRM actuelle est statique ; des travaux futurs sont suggérés pour incorporer la dynamique temporelle (motifs saisonniers) et les facteurs environnementaux (météo, courants) afin de faire évoluer le graphe vers un modèle conscient du temps.

En fin de compte, ce travail établit une base structurée basée sur les graphes pour la détection d'anomalies maritimes, offrant une alternative structurée aux représentations de trajectoires purement latentes.

Articles similaires