Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

Technische Samenvatting: Geometrie-geïnformeerde Maritieme Anomaliedetectie met behulp van Probabilistische Roadmaps

Probleemstelling
Maritieme anomaliedetectie is cruciaal voor de navigatiesafety en de bescherming van onderzeese infrastructuur, met name in complexe omgevingen zoals de Oostzee, die wordt gekenmerkt door druk verkeer, archipels en kritieke onderzeese kabels. Hoewel recente datagestuurde benaderingen die gebruikmaken van Automatic Identification System (AIS)-data vooruitgang hebben geboekt via ongesuperviseerde clustering, diepe generatieve modellen en hybride graafgebaseerde methoden, blijft een significante beperking bestaan: de meeste bestaande methoden vertrouwen op latente gedragsmodellering of geleerde feature-embeddings zonder expliciet navigatie-haalbaarheidsbeperkingen te coderen. Bijgevolg wordt geometrische consistentie vaak impliciet afgeleid in plaats van structureel ingebed, wat potentieel afwijkingen kan missen die fysieke of regulatoire navigatienormen schenden.

Methodologie
De auteurs stellen een geometrie-geïnformeerd gesuperviseerd framework voor dat Probabilistic Roadmaps (PRM's)—oorspronkelijk ontwikkeld voor robotische bewegingsplanning—integreert met gesuperviseerd machine learning om anomale vaartuigtrajecten te detecteren.

1. Constructie van de Probabilistic Roadmap (PRM):

   • Een gewogen ongerichte graaf $G=(V, E)$ wordt geconstrueerd over het bevaarbare domein van de Oostzee.
   • Knopen ($V$): Genereren vanuit de vertrek- en aankomspunten van 858 echte AIS-reizen (1.716 punten) en uniform gesamplede punten binnen de bounding box van de Oostzee. Knopen worden gefilterd met een land-watermasker afgeleid van Sentinel-2 satellietbeelden (reflectiedrempel $\approx 0.18$) om te garanderen dat ze op water liggen. De uiteindelijke set bestaat uit 2.284 geldige knopen.
   • Randen ($E$): Knopen worden verbonden met hun $k$-dichtstbijzijnde buren ($k=25$) indien het rechte segment tussen hen volledig binnen bevaarbaar water ligt. Randen die kustlijnen (geëxtraheerd uit OpenStreetMap) snijden, worden verwijderd.
   • Functie: De PRM dient als een structurele prior die haalbare maritieme corridors codeert. De kortste-pad afstand $d_G(v_i, v_j)$ op deze graaf definieert de "nominale" maritieme afstand tussen punten.

2. Dataset en Synthetische Anomalie-generatie:

   • Data: 858 echte trajecten van algemene vrachtschepen uit de Oostzee (januari 2017–januari 2019) werden schoongemaakt, geresampled naar intervallen van 5 minuten en geprojecteerd in het EPSG:3035 coördinatensysteem.
   • Synthetische Anomalieën: Vanwege het gebrek aan gelabelde echte anomalieën werden 858 synthetische anomalieën gegenereerd om een gebalanceerde dataset te creëren (1.716 trajecten in totaal). Deze werden gecreëerd via vier mechanismen om diversiteit te waarborgen:
     • Sinusoïdale Afwijking: Periodieke laterale perturbaties met toegevoegde Gaussische ruis.
     • Markov-gebaseerde Perturbaties: Stochastische directionele afwijkingen met een 3x3 waarschijnlijkheidskern.
     • Autoencoder-gebaseerde Distorsies: Niet-lineaire distorties geïntroduceerd door ruis te injecteren in een getrainde autoencoder in de latente ruimte.
     • Snelheidsanomalieën Nabij Kabels: Kunstmatige snelheidsverhogingen (1.8x–2.2x) voor segmenten die een 500m buffer rond onderzeese kabels snijden.

3. Feature Extractie:
   Trajecten worden geprojecteerd op de PRM-knopen om drie categorieën reis-niveau beschrijvers te extraheren:

   • PRM Conformiteit: Metrieken die afwijking van de graaf kwantificeren, waaronder de ratio van de werkelijke trajectlengte tot de PRM kortste-pad lengte ($L_{AIS}/L_{PRM}$), absolute lengteverschillen, maximale en gemiddelde Euclidische afwijking van de dichtstbijzijnde PRM-knoop, en PRM-dekking.
   • Kinematica: Variabiliteit in snelheid en koers, en maximale absolute acceleratie.
   • Contextuele Interactie: Minimale afstand tot kustlijnen en metrieken met betrekking tot interactie met onderzeese kabels (tijd doorgebracht nabij kabels en gemiddelde snelheid terwijl men nabij deze zich bevindt).

4. Classificatie:
   Een Random Forest (RF) classifier wordt getraind op de geëxtraheerde feature set. Het model gebruikt bootstrap sampling en willekeurige feature subsets om heterogene, niet-lineaire interacties aan te pakken. Hyperparameters worden getuned via een twee-fasen zoektocht (random search gevolgd door grid refinement) met behulp van 10-voudige cross-validatie.

Belangrijkste Bijdragen

• Structurele Priors: Het artikel herinterpreteert PRM's niet voor het genereren van controle-input, maar als structurele priors die navigatie-haalbaarheidsbeperkingen (geografie, kustlijnen, restrictieve gebieden) expliciet coderen in het proces van anomaliedetectie.
• Interpreteerbaarheid: Door trajecten te projecteren op een navigatiegraaf, extraheert het framework interpreteerbare features (bijv. route-efficiëntie, geometrische afwijking) in plaats van uitsluitend te vertrouwen op opaak latente embeddings.
• Infrastructuur Bewustzijn: De methodologie integreert expliciet onderzeese kabeldata, waardoor detectie van anomalieën specifiek gerelateerd aan kritieke onderzeese infrastructuur mogelijk is.
• Gebalanceerde Synthetische Dataset: De generatie van diverse synthetische anomalieën maakt gesuperviseerde training mogelijk in een domein waar gelabelde anomalieën anders niet beschikbaar zijn.

Experimentele Resultaten
Het framework werd geëvalueerd op een hold-out testset (20% van de data) met de volgende resultaten:

• Prestaties: Het model behaalde een test ROC AUC van 0.837, met een test nauwkeurigheid van 74,6%, precisie van 76,2% en recall van 71,3%.
• Generalisatie: De test AUC (0.837) bleef dicht bij de validatie AUC (0.819), wat duidt op stabiele generalisatie ondanks het gebruik van synthetische data. De trainings AUC was hoger (0.949), wat wijst op matige overfitting, wat de auteurs toeschrijven aan de heterogene en hoog-dimensionale aard van de feature ruimte.
• Discriminatie: De ROC-curve vertoonde een duidelijke scheiding van de random baseline, en de distributie van voorspelde waarschijnlijkheden toonde een duidelijke clustering voor anomale versus normale trajecten.

Betekenis en Claims
De auteurs beweren dat het inbedden van navigatie-haalbaarheidsbeperkingen via PRM's een "structureel betekenisvolle representatie" van maritiem gedrag oplevert. Deze benadering biedt een interpreteerbaar en operationeel relevant framework voor infrastructuur-bewuste monitoring in geometrisch complexe omgevingen.

Het artikel erkent bescheiden de volgende beperkingen:

• De resultaten leunen op synthetische anomalieën; onafhankelijke echte wereld anomalie-data is vereist voor externe validatie.
• De studie mist ablatie-studies die de PRM-gebaseerde aanpak vergelijken met kinematica-alleen of niet-PRM geometrische baselines om de specifieke bijdrage van de roadmap te isoleren.
• De huidige PRM is statisch; toekomstig werk wordt gesuggereerd om temporele dynamiek (seizoenspatronen) en omgevingsfactoren (weer, stromingen) te integreren om de graaf te laten evolueren naar een tijd-bewust model.

Uiteindelijk vestigt dit werk een gestructureerde, graafgebaseerde fundering voor maritieme anomaliedetectie, en biedt het een gestructureerd alternatief voor puur latente traject-representaties.