Sintesi Tecnica: SKETCH – Condizionamento Semantico per Punti Chiave nella Predizione di Traiettorie Navali a Lungo Orizzonte

1. Definizione del Problema

La predizione accurata di traiettorie navali a lungo orizzonte rimane una sfida significativa nella gestione dell'intelligence marittima a causa dell'incertezza cumulativa inerente ai complessi comportamenti di navigazione e ai fattori ambientali. Gli approcci esistenti affrontano due limitazioni primarie:

1. Incoerenza Direzionale Globale: I modelli autoregressivi standard (es. Transformer, LSTM) spesso non riescono a mantenere la coerenza direzionale globale su orizzonti temporali estesi. Con l'accumularsi dell'incertezza, le predizioni tendono a deviare, a collassare in traiettorie implausibili o a degradare in percorsi quasi orizzontali.
2. Mancanza di Modellazione Esplicita dell'Intento: La maggior parte dei metodi attuali opera esclusivamente a livello cinematico locale, inferendo implicitamente l'intento di navigazione a lungo termine da pattern di movimento a breve termine. Ciò diventa sempre più inaffidabile nel tempo. Inoltre, gli approcci basati su token che discretizzano lo spazio geografico continuo faticano a generalizzare verso regioni non viste, portando a un'estrapolazione instabile.

Il paper sostiene che l'aumento della capacità del modello da solo sia insufficiente; invece, il problema richiede un approccio gerarchico che separi esplicitamente le decisioni di alto livello dalla dinamica del movimento a basso livello.

2. Metodologia

Gli autori propongono SKETCH, un framework di condizionamento semantico tramite punti chiave che decompone la predizione a lungo orizzonte in decision-making semantico globale e modellazione del moto locale.

2.1. Concetto Centrale: Prossimo Punto Chiave (NKP)

Il framework introduce il Prossimo Punto Chiave (Next Key Point - NKP) come variabile di intento semantico. Un NKP è definito come una coordinata estendibile e predefinita che rappresenta un nodo marittimo semanticamente significativo (es. regioni portuali, stretti, aree di virata o incroci di rotte commerciali) che una nave è probabile che approcci.

• Ruolo: Gli NKP agiscono come vincoli semantici che restringono il supporto delle traiettorie ammissibili a sottoinsiemi semanticamente fattibili, piuttosto che servire come waypoint geometrici precisi o destinazioni finali.
• Fattorizzazione: La distribuzione condizionale della traiettoria futura $Y$ dato lo storico $X$ è fattorizzata come:
  $$P(Y | X) = \sum_{Z} P(Y | X, Z) P(Z | X)$$
  dove $Z$ rappresenta l'NKP. Questo scinde l'inferenza dell'intento di alto livello ($P(Z|X)$) dalla modellazione del moto condizionale ($P(Y|X,Z)$).

2.2. Architettura del Modello

Il sistema utilizza un Transformer decoder-only (specificamente un'architettura "MiniMind") adattato per dati marittimi continui.

• Elaborazione dell'Input: Latitudine e longitudine sono normalizzate nell'intervallo $[-1, 1]$, mentre la velocità sul fondo (SOG) e la rotta sul fondo (COG) sono convertite in componenti di velocità scalate.
• Rappresentazione Fisica: Per garantire la stabilità numerica durante il rollout autoregressivo, il modello predice SOG e COG. La posizione successiva è calcolata utilizzando un'approssimazione euclidea locale del moto sferico (Proposizione 3.3), evitando ripetute proiezioni sferiche e l'amplificazione sistematica dell'errore.

2.3. Strategia di Addestramento in Tre Fasi

La procedura di apprendimento approssima la distribuzione congiunta $p(Y, Z | X)$ attraverso tre fasi:

1. Modellazione della Traiettoria Condizionale (Blue):

   • Il modello è addestrato per predire $P(Y | X, Z)$ utilizzando NKP "oracle" (verità di base) come condizionamento.
   • Questa fase si concentra sull'apprendimento di pattern cinematici fini sotto vincoli semantici fissi.
   • Per mitigare il bias di esposizione, gli autori impiegano uno schema di addestramento passo-passo che combina perdite di Massima Verosimiglianza (stile GPT) e di Behavior Cloning (imitation learning).

2. Modellazione dell'NKP (Green):

   • Il backbone della traiettoria è congelato. Un Multi-Layer Perceptron (MLP) leggero viene addestrato per stimare $P(Z | X)$.
   • Apprendimento Contrastivo: Il modello utilizza un approccio di verifica aumentato dal recupero (retrieval-augmented). Le traiettorie che conducono allo stesso NKP vengono avvicinate nello spazio di embedding, mentre quelle che conducono a NKP diversi vengono allontanate tramite una perdita contrastiva.
   • Inferenza Open-Set: Invece di un set chiuso di porti, l'inferenza dell'NKP è trattata come un problema open-set. Durante l'inferenza, il modello recupera le traiettorie più simili da un database di riferimento per verificare l'NKP predetto, permettendo la generalizzazione a target di navigazione non visti.

3. Inferenza Integrata:

   • Il sistema stima prima l'NKP $\hat{Z}$ dallo storico osservato $X$ utilizzando il modulo NKP addestrato.
   • La traiettoria futura viene quindi generata condizionando il predittore di traiettoria su $(X, \hat{Z})$.

3. Contributi Chiave

1. Identificazione del Gap di Intento: Gli autori identificano la mancanza di una modellazione esplicita dell'intento globale come una limitazione fondamentale nei metodi esistenti di predizione di traiettorie navali a lungo orizzonte.
2. Condizionamento Semantico: Introduzione dell'NKP come variabile di intento semantico, separando le decisioni di navigazione globale dalla dinamica del moto locale all'interno di un framework gerarchico.
3. Generalizzazione Open-Set: Una strategia di addestramento efficiente per la previsione condizionata da NKP che permette al modello di generalizzare a target di navigazione open-set tramite verifica aumentata dal recupero, anziché affidarsi a un set chiuso di porti.
4. Prestazioni allo Stato dell'Arte: Prestazioni superiori dimostrate su dataset AIS reali, particolarmente per lunghe durate di viaggio, accuratezza direzionale e predizione fine della traiettoria.

4. Risultati Sperimentali

Il metodo è stato valutato su dataset AIS su larga scala utilizzando tre metriche complementari: Mean Squared Error of Position (MSEP), Mean Squared Error of Curvature (MSEC) e Mean Fréchet Distance (MFD).

• Prestazioni Complessive: SKETCH ha superato costantemente i baseline allo stato dell'arte (inclusi MP-LSTM, TrAISformer, DiffuTraj e AISFuser) in tutte le metriche. Ha ottenuto il MSEP più basso (4.40E-5 vs 8.47E-4 per MP-LSTM) e il MFD più piccolo (0.63 vs 4.35 per MP-LSTM), indicando una superiore accuratezza puntuale e un allineamento geometrico globale.
• Generalizzazione: Su un dataset AIS pubblico proveniente da una fonte diversa (fuori dominio), SKETCH ha mantenuto le migliori prestazioni, mentre TrAISformer ha subito un severo degrado a causa della sua dipendenza da strati di embedding che non potevano generalizzare a coordinate non viste.
• Predizione NKP: Il modello a set aperto con fine-tuning supervisionato (sft-o-s2) ha raggiunto il 95.46% di accuratezza nella predizione dell'NKP, superando significativamente il baseline Random Forest (76.54%) e dimostrando robustezza nella selezione di appropriati anchor di navigazione futuri.
• Studi di Ablazione:
  • Qualità dell'NKP: L'uso di NKP corretti (oracle) ha prodotto i risultati migliori. NKP errati hanno causato un sostanziale degrado, confermando che la guida semantica è critica ma deve essere accurata.
  • Decoupling (Disaccoppiamento): I modelli che hanno esplicitamente disaccoppiato la rappresentazione dell'NKP dalla modellazione del moto hanno superato quelli che iniettavano l'informazione dell'NKP direttamente nei modelli temporali senza disaccoppiamento.
  • Stabilità dell'Orizzonte: All'aumentare dell'orizzonte di predizione (fino a 144 punti), SKETCH ha mantenuto la stabilità, mentre altri modelli hanno mostrato trend crescenti di errore (MFD).

5. Significato e Rivendicazioni

Il paper sostiene che SKETCH fornisca un framework gerarchico che riduce efficacemente l'incertezza a lungo termine modellando esplicitamente l'intento di navigazione globale. Disaccoppiando l'inferenza dell'intento dalla modellazione del moto condizionale, l'approccio migliora la coerenza della traiettoria e previene la deriva comune nei modelli autoregressivi.

Gli autori posizionano questo lavoro non solo come una soluzione per la navigazione marittima, ma come un paradigma di modellazione generale per altri problemi di predizione sequenziale a lungo orizzonte che coinvolgono strutture decisionali gerarchiche. Suggeriscono che l'approccio serva come fondamento per compiti di AI marittima a valle, inclusa l'identificazione di anomalie, l'ottimizzazione delle rotte e la coordinazione multi-agente, senza fare affermazioni di un'immediata implementazione in sistemi operativi specifici oltre l'ambito della ricerca presentata.