Technische Samenvatting: SKETCH – Semantische Key-Point Conditionering voor Lange-Termijn Voorspelling van Vessel-Trajecten

1. Probleemstelling

Nauwkeurige voorspelling van vessel-trajecten over een lange horizon blijft een significante uitdaging in maritieme intelligentie vanwege de cumulatieve onzekerheid die inherent is aan complexe navigatiegedragingen en omgevingsfactoren. Bestaande benaderingen kampen met twee primaire beperkingen:

1. Globale Richtingsinconsistentie: Standaard autoregressieve modellen (bijv. Transformers, LSTM's) slagen er vaak niet in om globale directionele consistentie te handhaven over uitgebreide tijdshorizons. Naarmate de onzekerheid zich opstapelt, neigen voorspellingen te driften, te vervallen in onwaarschijnlijke trajecten, of te degraderen tot bijna horizontale paden.
2. Gebrek aan Expliciete Intentiemodellering: De meeste huidige methoden opereren uitsluitend op het lokale kinematische niveau, waarbij ze lange-termijn navigatie-intentie impliciet afleiden uit korte-termijn bewegingspatronen. Dit wordt over de tijd heen steeds minder betrouwbaar. Bovendien hebben token-gebaseerde benaderingen die continue geografische ruimte discretiseren moeite met het generaliseren naar onbekende regio's, wat leidt tot instabiele extrapolatie.

Het artikel stelt dat het vergroten van de modelcapaciteit alleen onvoldoende is; in plaats daarvan vereist het probleem een hiërarchische aanpak die hoge-niveau navigatiebeslissingen expliciet scheidt van lage-niveau bewegingsdynamiek.

2. Methodologie

De auteurs stellen SKETCH voor, een semantisch key-point conditioneringsframework dat lange-termijn voorspelling deelt in globale semantische besluitvorming en lokale bewegingsmodellering.

2.1. Kernconcept: Next Key Point (NKP)

Het framework introduceert de Next Key Point (NKP) als een semantische intentievariabele. Een NKP wordt gedefinieerd als een uitbreidbaar, vooraf gedefinieerd coördinaat dat een semantisch betekenisvolle maritieme node vertegenwoordigt (bijv. havenregio's, zeestraten, draaicirkels of knooppunten van scheepvaartroutes) waar een vessel waarschijnlijk naartoe zal varen.

• Rol: NKP's fungeren als semantische restricties die de ondersteuning van toegestane toekomstige trajecten beperken tot semantisch haalbare deelverzamelingen, in plaats van te dienen als precieze geometrische waypoints of eindbestemmingen.
• Factorisatie: De conditionele distributie van het toekomstige traject $Y$ gegeven de historie $X$ wordt gefactoriseerd als:
  $$P(Y | X) = \sum_{Z} P(Y | X, Z) P(Z | X)$$
  waarbij $Z$ de NKP vertegenwoordigt. Dit ontkoppelt de hoge-niveau intentie-inferentie ($P(Z|X)$) van de conditionele bewegingsmodellering ($P(Y|X,Z)$).

2.2. Modelarchitectuur

Het systeem maakt gebruik van een decoder-only Transformer (specifiek een "MiniMind" architectuur) die is aangepast voor continue maritieme data.

• Inputverwerking: Breedtegraad en lengtegraad worden genormaliseerd naar $[-1, 1]$, terwijl Speed Over Ground (SOG) en Course Over Ground (COG) worden omgezet naar geschaalde snelheidcomponenten.
• Fysieke Representatie: Om numerieke stabiliteit te garanderen tijdens autoregressieve rollouts, voorspelt het model SOG en COG. De volgende positie wordt berekend met behulp van een lokaal Euclidische benadering van sferische beweging (Propositie 3.3), waardoor herhaalde sferische projecties en systematische foutversterking worden vermeden.

2.3. Driefasige Trainingsstrategie

De leerprocedure benadert de gezamenlijke distributie $p(Y, Z | X)$ via drie fasen:

1. Conditionele Trajectmodellering (Blauw):

   • Het model wordt getraind om $P(Y | X, Z)$ te voorspellen met behulp van "oracle" grondwaarheid NKP's als conditionering.
   • Deze fase richt zich op het leren van fijne kinematische patronen onder vaste semantische restricties.
   • Om exposure bias te mitigeren, gebruiken de auteurs een stap-voor-stap trainingsschema dat Maximum Likelihood (GPT-stijl) en Behavior Cloning (imitatieleren) losses combineert.

2. NKP-modellering (Groen):

   • De traject-backbone wordt bevroren. Een lichtgewicht Multi-Layer Perceptron (MLP) wordt getraind om $P(Z | X)$ te schatten.
   • Contrastief Leren: Het model gebruikt een retrieval-augmented verificatiebenadering. Trajecten die naar dezelfde NKP leiden, worden naar elkaar toe getrokken in de embedding space, terwijl trajecten die naar verschillende NKP's leiden, van elkaar worden weggeduwd met behulp van een contrastieve loss.
   • Open-Set Inferentie: In plaats van een vaste gesloten set van havens, wordt NKP-inferentie behandeld als een open-set probleem. Tijdens inferentie haalt het model de meest vergelijkbare trajecten op uit een referentiedatabase om de voorspelde NKP te verifiëren, wat generalisatie naar onbekende navigatietargets mogelijk maakt.

3. Geïntegreerde Inferentie:

   • Het systeem schat eerst de NKP $\hat{Z}$ vanuit de geobserveerde historie $X$ met behulp van de getrainde NKP-module.
   • Het toekomstige traject wordt vervolgens gegenereerd door de trajectvoorspeller te conditioneren op $(X, \hat{Z})$.

3. Belangrijkste Bijdragen

1. Identificatie van de Intentiekloof: De auteurs identificeren het gebrek aan expliciete globale intentiemodellering als een fundamentele beperking in bestaande methoden voor lange-termijn vessel-trajectvoorspelling.
2. Semantische Conditionering: Introductie van de NKP als een semantische intentievariabele, die globale navigatiebeslissingen scheidt van lokale bewegingsdynamiek binnen een hiërarchisch framework.
3. Open-Set Generalisatie: Een efficiënte trainingsstrategie voor NKP-geconditioneerde forecasting die het model in staat stelt te generaliseren naar open-set navigatietargets via retrieval-augmented verificatie, in plaats van te vertrouwen op een vaste gesloten set van havens.
4. State-of-the-Art Prestaties: Gedemonstreerde superieure prestaties op real-world AIS-datasets, met name voor lange reisduur, directionele nauwkeurigheid en fijnmazige trajectvoorspelling.

4. Experimentele Resultaten

De methode werd geëvalueerd op grootschalige AIS-datasets met behulp van drie complementaire metrieken: Mean Squared Error of Position (MSEP), Mean Squared Error of Curvature (MSEC) en Mean Fréchet Distance (MFD).

• Algemene Prestaties: SKETCH presteerde consequent beter dan state-of-the-art baselines (inclusief MP-LSTM, TrAISformer, DiffuTraj en AISFuser) over alle metrieken. Het behaalde de laagste MSEP (4.40E-5 vs. 8.47E-4 voor MP-LSTM) en de kleinste MFD (0.63 vs. 4.35 voor MP-LSTM), wat wijst op superieure punt-gewijze nauwkeurigheid en globale geometrische uitlijning.
• Generalisatie: Op een publieke AIS-dataset uit een andere bron (out-of-domain) behield SKETCH de beste prestaties, terwijl TrAISformer zware degradatie vertoonde door de afhankelijkheid van embedding-lagen die niet konden generaliseren naar onbekende coördinaten.
• NKP-voorspelling: Het open-set supervised fine-tuned model (sft-o-s2) behaalde een nauwkeurigheid van 95,46% in NKP-voorspelling, wat aanzienlijk beter is dan de Random Forest baseline (76,54%) en de robuustheid demonstreert in het selecteren van geschikte toekomstige maritieme ankers.
• Ablatie-studies:
  • NKP-kwaliteit: Het gebruik van correcte (oracle) NKP's leverde de beste resultaten op. Onjuiste NKP's veroorzaakten substantiële degradatie, wat bevestigt dat semantische begeleiding cruciaal is maar accuraat moet zijn.
  • Ontkoppeling: Modellen die de NKP-representatie expliciet ontkoppelden van de bewegingsmodellering presteerden beter dan modellen die NKP-informatie direct in temporele modellen injecteerden zonder ontkoppeling.
  • Horizon Stabiliteit: Naarmate de voorspellingshorizon toenam (tot 144 punten), behield SKETCH stabiliteit, terwijl andere modellen een consistente stijgende trend in fout (MFD) vertoonden.

5. Betekenis en Claims

Het artikel claimt dat SKETCH een hiërarchisch framework biedt dat effectief de lange-termijn onzekerheid vermindert door de globale navigatie-intentie expliciet te modelleren. Door de intentie-inferentie te ontkoppelen van de conditionele bewegingsmodellering, verbetert de aanpak de trajectcoherentie en voorkomt het de drift die gebruikelijk is bij autoregressieve modellen.

De auteurs positioneren dit werk niet alleen als een oplossing voor maritieme navigatie, maar als een algemeen modelleringsparadigma voor andere lange-termijn sequentiële voorspellingsproblemen die betrokken zijn bij hiërarchische beslissingsstructuren. Ze suggereren dat de aanpak dient als fundament voor downstream maritieme AI-taken, waaronder anomaliedetectie, routeoptimalisatie en multi-agent coördinatie, zonder claims te maken van directe implementatie in specifieke operationele systemen buiten de reikwijdte van het gepresenteerde onderzoek.