Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

기술 요약: 확률적 로드맵을 이용한 기하학 정보 기반 해상 이상 탐지

문제 정의
해상 이상 탐지는 항행 안전과 더불어, 밀집된 교통량, 군도(archipelagos), 그리고 중요한 해저 케이블이 존재하는 발트해와 같은 복잡한 환경에서 수중 인프라를 보호하는 데 매우 중요하다. 최근 자동 식별 시스템(AIS) 데이터를 활용한 데이터 기반 접근 방식들이 비지도 클러스터링, 딥 생성 모델, 하이브리드 그래프 기반 방법론을 통해 발전해 왔으나, 여전히 중대한 한계가 존재한다. 대부분의 기존 방법론은 잠재적 행동 모델링이나 학습된 특징 임베딩에 의존할 뿐, 항행 가능성 제약 조건을 명시적으로 인코딩하지 않는다. 결과적으로, 기하학적 일관성이 구조적으로 내재화되기보다는 암묵적으로 추론되는 경우가 많으며, 이는 물리적 또는 규제적 항행 규범을 위반하는 편차를 간과할 가능성을 높인다.

방법론
저자들은 로봇 모션 계획을 위해 개발된 확률적 로드맵(Probabilistic Roadmaps, PRM)을 지도 학습 기반의 머신러닝과 결합하여 이상 선박 궤적을 탐지하는 기하학 정보 기반의 지도 학습 프레임워크를 제안한다.

1. PRM 구축:

   • 가중치가 부여된 무방향 그래프 $G=(V, E)$가 항행 가능한 발트해 영역 위에 구축된다.
   • 노드 ($V$): 858개의 실제 AIS 항차(1,716개 지점)의 출발/도착 지점과 발트해 경계 상자 내의 균등 샘플링 지점들로부터 생성된다. 노드들은 Sentinel-2 위성 이미지(반사율 $\approx 0.18$)에서 유도된 육지-해수 마스크를 사용하여 해수 영역에 위치하도록 필터링된다. 최종적으로 2,284개의 유효한 노드 세트가 구성된다.
   • 에지 ($E$): 노드들은 두 지점 사이의 직선 구간이 완전히 항행 가능한 수역 내에 있는 경우 $k$-최근접 이웃($k=25$)에 연결된다. 해안선(OpenStreetMap에서 추출)을 통과하는 에지는 제거된다.
   • 기능: PRM은 실행 가능한 해상 경로를 인코딩하는 구조적 사전 확률(structural prior) 역할을 한다. 이 그래프 상의 최단 경로 거리 $d_G(v_i, v_j)$는 지점 간의 "명목상" 해상 거리를 정의한다.

2. 데이터셋 및 합성 이상치 생성:

   • 데이터: 2017년 1월부터 2019년 1월까지 발트해에서 수집된 858개의 일반 화물선 궤적을 정제, 5분 간격으로 재샘플링하고 EPSG:3035 좌표계로 투영하였다.
   • 합성 이상치: 레이블이 지정된 실제 이상치의 부족으로 인해, 균형 잡힌 데이터셋(총 1,716개 궤적)을 만들기 위해 858개의 합성 이상치를 생성하였다. 이는 다양성을 보장하기 위해 네 가지 메커니즘을 통해 생성되었다:
     • 정현파 편차(Sinusoidal Deviation): 가우시안 노이즈가 추가된 주기적인 측면 섭동.
     • 마르코프 기반 섭동(Markov-Based Perturbations): 3x3 확률 커널을 사용하는 확률적 방향 편차.
     • 오토인코더 기반 왜곡(Autoencoder-Based Distortions): 학습된 오토인코더의 잠재 공간에 노이즈를 주입하여 도입된 비선형 왜곡.
     • 케이블 인근 속도 이상(Speed Anomalies Near Cables): 해저 케이블 주변 500m 버퍼를 통과하는 구간에 대한 인위적인 속도 증가(1.8배~2.2배).

3. 특징 추출:
   궤적을 PRM 노드에 투영하여 세 가지 범주의 항차 수준 기술자(descriptors)를 추출한다:

   • PRM 부합도(Conformity): 그래프로부터의 편차를 정량화하는 지표로, 실제 궤적 길이와 PRM 최단 경로 길이의 비율($L_{AIS}/L_{PRM}$), 절대 길이 차이, 가장 가까운 PRM 노드로부터의 최대 및 평균 유클리드 편차, 그리고 PRM 커버리지를 포함한다.
   • 운동학(Kinematics): 속도 및 헤딩(heading)의 가변성, 그리고 최대 절대 가속도.
   • *맥락적 상호작용(Contextual Interaction): 해안선으로부터의 최소 거리와 해저 케이블과의 상호작용 관련 지표(케이블 인근 체류 시간 및 케이블 인근에서의 평균 속도).

4. 분류:
   랜덤 포레스트(Random Forest, RF) 분류기가 추출된 특징 세트에 대해 학습된다. 모델은 이질적이고 비선형적인 상호작용을 처리하기 위해 부트스트랩 샘플링과 랜덤 특징 부분 집합을 사용한다. 하이퍼파라미터는 10-겹 교차 검증(10-fold cross-validation)을 사용하여 2단계 탐색(랜덤 탐색 후 그리드 정밀화)을 통해 튜닝된다.

주요 기여

• 구조적 사전 확률: 본 논문은 PRM을 제어 입력 생성이 아닌, 항행 가능성 제약 조건(지형, 해안선, 제한 구역)을 이상 탐지 과정에 명시적으로 인코딩하는 구조적 사전 확률로 재해석한다.
• 해석 가능성: 궤적을 항행 그래프에 투영함으로써, 불투명한 잠재 임베딩에만 의존하는 대신 해석 가능한 특징(예: 경로 효율성, 기하학적 편차)을 추출한다.
• 인프라 인식: 본 방법론은 해저 케이블 데이터를 명시적으로 통합하여, 특정 핵심 수중 인프라와 관련된 이상 징후를 탐지할 수 있게 한다.
• 균형 잡힌 합성 데이터셋: 다양한 합성 이상치를 생성함으로써, 레이블이 지정된 이상치가 거의 없는 도메인에서 지도 학습을 가능하게 한다.

실험 결과
프레임워크는 홀드아웃 테스트 세트(데이터의 20%)에 대해 다음과 같은 결과를 나타냈다:

• 성능: 모델은 테스트 ROC AUC 0.837, 테스트 정확도 74.6%, 정밀도 76.2%, 재현율 71.3%를 달성했다.
• 일반화: 테스트 AUC(0.837)가 검증 AUC(0.819)와 유사하게 유지되어, 합성 데이터를 사용했음에도 안정적인 일반화 성능을 보였다. 훈련 AUC는 0.949로 더 높았으며, 이는 특징 공간의 이질적이고 고차원적인 특성 때문인 것으로 저자들은 분석했다.
• 판별력: ROC 곡선은 무작위 기준선으로부터 명확한 분리를 보여주었으며, 예측 확률 분포는 정상 궤적과 이상 궤적 간의 뚜렷한 클러스터링을 나타냈다.

의의 및 주장
저자들은 PRM을 통해 항행 가능성 제약을 임베딩하는 것이 해상 행동에 대한 "구조적으로 의미 있는 표현"을 제공한다고 주장한다. 이 접근 방식은 기하학적으로 복잡한 환경에서 인프라를 인식하는 모니터링을 위한 해석 가능하고 운영상 유의미한 프레임워크를 제공한다.

논문은 다음과 같은 한계점을 겸허히 인정한다:

• 결과가 합성 이상치에 의존하고 있으므로, 외부 검증을 위한 독립적인 실제 세계의 이상 데이터가 필요하다.
• 본 연구는 PRM의 구체적인 기여도를 격리하기 위해 운동학 전용 또는 비-PRM 기하학적 베이스라인과 비교하는 소거 연구(ablation studies)가 부족하다.
• 현재의 PRM은 정적이며, 향-후 연구에서는 그래프를 시간 인지 모델로 진화시키기 위해 시간적 역학(계절적 패턴) 및 환경 요인(날씨, 조류)을 통합할 것을 제안한다.

궁극적으로, 본 연구는 해상 이상 탐지를 위한 구조화된 그래프 기반 토대를 구축하며, 순수 잠재 궤적 표현에 대한 구조적인 대안을 제시한다.