⚡ electrical engineering

Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

Questo articolo presenta un framework supervisionato basato sulla geometria che utilizza i Probabilistic Roadmaps per estrarre caratteristiche di navigazione interpretabili dai dati AIS e addestra un classificatore Random Forest su anomalie sintetiche per rilevare efficacemente le deviazioni delle traiettorie marittime nel Mar Baltico.

Autori originali: Gabriele Oliva, Andrea Tomei, Roberto Setola

Pubblicato 2026-07-10

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Gabriele Oliva, Andrea Tomei, Roberto Setola

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il Mar Baltico come un gigantesco e frenetico sistema di autostrade, ma invece dell'asfalto, le corsie sono fatte d'acqua. Di solito, le navi (come giganti tartarughe di metallo) restano sulle strade principali perché è il modo più veloce e sicuro per andare dal Punto A al Punto B. Ma a volte, una nave potrebbe deviare dal percorso, girare intorno senza meta o sostare sospettosamente vicino a un tesoro nascosto sottomarino (come un cavo in fibra ottica). Come facciamo a catturare questi strani vagabondi senza perderci in un mare di dati?

È esattamente questo che Gabriele Oliva e il suo team hanno cercato di risolvere. Hanno costruito una "mappa del possibile" digitale chiamata Probabilistic Roadmap (PRM). Pensate a questa PRM non come a un GPS che dice a una nave dove andare, ma come a una gigantesca ragnatela invisibile tesa sopra l'acqua. Questa ragnatela collega solo i punti dove una nave può effettivamente navigare — restando lontana dalla terraferma, dalle isole e dalle zone proibite. È come disegnare una rete sull'oceano che cattura solo i percorsi "legali".

La Scoperta Principale: Un Nuovo Modo per Individuare gli Anomali
La grande idea del team è stata quella di usare questa ragnatela per misurare quanto sia davvero "strano" il viaggio di una nave. Hanno preso dati reali di navi (da 858 veri viaggi commerciali tra il 2017 e il 201ب) e li hanno confrontati con il percorso più breve ed efficiente sulla loro rete digitale.

Per insegnare al computer come individuare un viaggio "cattivo", hanno dovuto essere un po' creativi perché i viaggi "cattivi" reali sono rari. Così, hanno creato 858 falsi viaggi strani usando quattro diversi trucchi:

La Linea Traballante: Hanno fatto ondeggiare le navi lateralmente come un serpente (usando un'onda sinusoidale).
Il Cammino da Ubriaco: Hanno fatto sì che le navi compissero passi casuali e scattosi in diverse direzioni.
La Distorsione AI: Hanno usato un programma informatico intelligente per torcere i percorsi normali in forme strane.
L'Hovering sui Cavi: Hanno fatto sì che alcune navi accelerassero o indugiassero proprio accanto ai cavi sottomarini, il che è un grande divieto per la sicurezza.

Con questo mix di 858 viaggi reali e 858 falsi viaggi strani, hanno addestrato un classificatore "Random Forest". Immaginate questo come un team di 100 diversi detective, ognuno dei quali osserva il viaggio da un angolo leggermente diverso. Insieme, decidono se un viaggio è normale o sospetto.

Cosa Hanno Trovato (e Cosa Non Hanno Trovato)
I risultati sono stati promettenti ma cauti. Quando hanno testato il loro sistema su un nuovo set di viaggi che non aveva mai visto prima, ha identificato correttamente i comportamenti sospetti circa il 74,6% delle volte. Ancora più importante, ha ottenuto un punteggio di 0,837 in un test chiamato "ROC AUC" (che misura quanto il sistema sia bravo a classificare i viaggi strani più in alto rispetto a quelli normali).

Gli autori suggeriscono che questo approccio funziona perché non guarda solo alla velocità o alla direzione; guarda alla geometria del viaggio. La nave ha fatto una deviazione che non aveva senso? Ha passato troppo tempo vicino a un cavo? Costringendo i dati a incastrarsi prima nella loro mappa a "ragnatela", il sistema è riuscito a individuare queste stranezze strutturali molto meglio rispetto all'analisi dei soli numeri grezzi.

Ciò che Escludono Esplicitamente
È importante notare cosa questo articolo non afferma. Gli autori dichiarano esplicitamente che non stanno utilizzando modelli "latenti" complessi (che sono come scatole nere che apprendono schemi senza mostrarti come) come loro metodo primario. Al contrario, sostengono che il loro metodo sia migliore perché è interpretabile — puoi effettivamente vedere perché un viaggio è stato segnalato (ad esempio, "era il 20% più lungo del percorso più breve").

Escludono anche l'idea che il loro sistema sia un prodotto finito e perfetto, pronto per il mondo reale. Ammettono che i loro viaggi "strani" erano per lo più simulati (creati dai computer) piuttosto che crimini della vita reale. Dicono esplicitamente che sono ancora necessari test indipendenti su anomalie del mondo reale per validare veramente il sistema. Non hanno dimostrato di catturare spie reali; hanno dimostato di catturare i tipi di stranezze che avevano programmato nei loro dati finti.

In Sintesi
Questo articolo suggerisce che aggiungere una "mappa di dove le navi dovrebbero andare* al mix aiuta i computer a individuare i problemi meglio. È un passo avanti solido, che mostra come combinare una mappa geometrica con un team di detective digitali possa individuare comportamenti anomali con un buon livello di accuratezza (AUC di 0,837). Tuttavia, gli autori sono cauti nel dire che questo è un "test di stress controllato". Il sistema è un forte candidato per il futuro, ma deve ancora affrontare la realtà disordinata e imprevedibile dell'oceano aperto per essere considerato un problema risolto.

Sintesi Tecnica: Rilevamento di Anomalie Marittime Informato dalla Geometria tramite Roadmap Probabilistiche

Definizione del Problema
Il rilevamento di anomalie marittime è fondamentale per la sicurezza della navigazione e la protezione delle infrastrutture sottomarine, in particolare in ambienti complessi come il Mar Baltico, che presenta un traffico denso, arcipelaghi e cavi sottomarini critici. Sebbene i recenti approcci basati sui dati che utilizzano i dati AIS (Automatic Identification System) abbiano fatto progressi attraverso il clustering non supervisionato, modelli generativi profondi e metodi ibridi basati su grafi, persiste una limitazione significativa: la maggior parte dei metodi esistenti si affida alla modellazione del comportamento latente o all'apprendimento di embedding di caratteristiche senza codificare esplicitamente i vincoli di fattibilità della navigazione. Di conseguenza, la coerenza geometrica viene spesso inferita implicitamente piuttosto che strutturalmente incorporata, rischiando di trascurare deviazioni che violano le norme fisiche o regolamentari della navigazione.

Metodologia
Gli autori propongono un framework supervisionato informato dalla geometria che integra le Roadmap Probabilistiche (PRM) — originariamente sviluppate per la pianificazione del movimento robotico — con l'apprendimento automatico supervisionato per rilevare traiettorie di navi anomale.

Costruzione della Roadmap Probabilistica (PRM):
- Grafico (PRM) Construction: Un grafo non orientato pesato $G=(V, E)$ è costruito sul dominio navigabile del Mar Baltico.
- Nodi ( $V$ ): Generati dai punti di partenza/arrivo di 858 viaggi AIS reali (1.716 punti) e punti campionati uniformemente all'interno del bounding box del Mar Baltico. I nodi sono filtrati utilizzando una maschera terra-acqua derivata da immagini satellitari Sentinel-2 (soglia di riflettanza $\approx 0,18$ ) per garantire che si trovino in acqua. L'insieme finale comprende 2.284 nodi validi.
- Archi ( $E$ ): I nodi sono connessi ai loro $k$ -vicini più prossimi ( $k=25$ ) se il segmento rettilineo tra di essi si trova interamente in acque navigabili. Gli archi che intersecano le coste (estratte da OpenStreetMap) vengono scartati.
- Funzione: La PRM funge da prior strutturale che codifica i corridoi marittimi fattibili. La distanza del percorso minimo $d_G(v_i, v_j)$ su questo grafo definisce la distanza marittima "nominale" tra i punti.
Dataset e Generazione di Anomalie Sintetiche:
- Dati: 858 traiettorie reali di navi da carico generale nel Mar Baltico (gennaio 2017 – gennaio 2019) sono state pulite, ricampionate a intervalli di 5 minuti e proiettate nel sistema di coordinate EPSG:3035.
- Anomalie Sintetiche: A causa della scarsità di anomalie reali etichettate, sono state generate 858 anomalie sintetiche per creare un dataset bilanciato (1.716 traiettorie totali). Queste sono state create tramite quattro meccanismi per garantire diversità:
  - Deviazione Sinusoidale: Perturbazioni laterali periodiche con rumore Gaussiano aggiunto.
  - Perturbazioni Basate su Markov: Deviazioni direzionali stocastiche utilizzando un kernel di probabilità 3x3.
  - Distorsioni Basate su Autoencoder: Distorsioni non lineari introdotte iniettando rumore nello spazio latente di un autoencoder addestrato.
  - Anomalie di Velocità Vicino ai Cavi: Aumenti artificiali di velocità (1,8x–2,2x) per i segmenti che intersecano un buffer di 500 m attorno ai cavi sottomarini.
Estrazione delle Caratteristiche:
Le traiettorie vengono proiettate sui nodi della PRM per estrarre tre categorie di descrittori a livello di viaggio:
- Conformità alla PRM: Metriche che quantificano la deviazione dal grafo, inclusamente il rapporto tra la lunghezza effettiva della traiettoria e la lunghezza del percorso minimo della PRM ( $L_{AIS}/L_{PRM}$ ), la differenza di lunghezza assoluta, la deviazione euclidea massima e media dal nodo PRM più vicino, e la copertura della PRM.
- Cinematica: Variabilità in velocità e rotta, e accelerazione assoluta massima.
- Interazione Contestuale: Distanza minima dalle coste e metriche riguardanti l'interazione con i cavi sottomarini (tempo trascorso vicino ai cavi e velocità media durante la vicinanza ad essi).
Classificazione:
Un classificatore Random Forest (RF) è addestrato sull'insieme di caratteristiche estratte. Il modello utilizza il campionamento bootstrap e sottoinsiemi casuali di caratteristiche per gestire interazioni eterogenee e non lineari. Gli iperparametri sono ottimizzati tramite una ricerca a due stadi (ricerca casuale seguita da raffinamento a griglia) utilizzando la validazione incrociata a 10 pieghe (10-fold cross-validation).

Contributi Chiave

Prior Strutturali: Il documento reinterpreta le PRM non per la generazione di input di controllo, ma come prior strutturali che codificano esplicitamente i vincoli di fattibilità della navigazione (geografia, coste, aree ristrette) nel processo di rilevamento delle anomalie.
Interpretabilità: Proiettando le traiettorie su un grafo di navigabilità, il framework estrae caratteristiche interpretabili (ad esempio, efficienza della rotta, deviazione geometrica) invece di fare affidamento esclusivamente su opachi embedding latenti.
Consapevolezza delle Infrastrutture: La metodologia integra esplicitamente i dati dei cavi sottomarini, consentendo il rilevamento di anomalie specificamente legate a critiche infrastrutture sottomarine.
Dataset Sintetico Bilanciato: La generazione di anomalie sintetiche diversificate permette l'addestramento supervisionato in un dominio in cui i dati sulle anomalie etichettate sono altrimenti non disponibili.

Risultati Sperimentali
Il framework è stato valutato su un set di test tenuto separato (20% dei dati) con i seguenti risultati:

Prestazioni: Il modello ha raggiunto un test ROC AUC di 0,837, con un'accuratezza di test del 74,6%, una precisione del 76,2% e un richiamo (recall) del 71,3%.
Generalizzazione: L'AUC di test (0,837) è rimasta vicina all'AUC di validazione (0,819), indicando una stabile generalizzazione nonostante l'uso di dati sintetici. L'AUC di addestramento era più alta (0,949), suggerendo un moderato overfitting, che gli autori attribuiscono alla natura eterogenea e ad alta dimensionalità dello spazio delle caratteristiche.
Discriminazione: La curva ROC ha dimostrato una chiara separazione dalla baseline casuale, e la distribuzione delle probabilità predette ha mostrato un raggruppamento distinto per le traiettorie anomale rispetto a quelle normali.

Significatività e Rivendicazioni
Gli autori sostengono che l'incorporazione dei vincoli di fattibilità della navigazione tramite PRM produca una "rappresentazione strutturalmente significativa" del comportamento marittimo. Questo approccio fornisce un framework interpretabile e operativamente rilevante per il monitoraggio consapevole delle infrastrutture in ambienti geometricamente complessi.

Il documento riconosce modestamente i propri limiti:

I risultati si basano su anomalie sintetiche; sono necessari dati sulle anomalie reali indipendenti per una validazione esterna.
Lo studio manca di studi di ablazione che confrontino l'approccio basato su PRM con baselines geometriche puramente cinematiche o non basate su PRM per isolare il contributo specifico della roadmap.
L'attuale PRM è statica; il lavoro futuro suggerisce di incorporare dinamiche temporali (modelli stagionali) e fattori ambientali (meteo, correnti) per far evolvere il grafo in un modello consapevole del tempo.

In definitiva, il lavoro stabilisce una base strutturata basata su grafi per il rilevamento di anomalie marittime, offrendo un'alternativa strutturata alle rappresentazioni di traiettoria puramente latenti.

Articoli simili