Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways

Este estudo apresenta um modelo de previsão de trajetória de navios em vias navegáveis interiores baseado em LSTM e atenção, que, embora atinja uma precisão comparável a trabalhos similares, revela através de sua arquitetura interpretável que as melhorias de desempenho não são inteiramente impulsionadas por relações causais com os navios vizinhos, destacando a importância da explicabilidade para garantir a confiança nesses sistemas.

O essencial

Imagine que você está dirigindo um caminhão em uma estrada de montanha muito estreita e cheia de curvas. Você precisa prever para onde os outros caminhões vão, não apenas para não bater neles, mas para saber se precisa desviar ou se pode manter a velocidade. Agora, troque o caminhão por um navio e a estrada por um rio. É assim que funciona a previsão de trajetória de navios em vias navegáveis interiores.

Este artigo de pesquisa tenta resolver um problema muito específico: como fazer com que a Inteligência Artificial (IA) não apenas adivinhe onde o navio vai, mas explique por que ela fez essa previsão?

Aqui está uma explicação simples, usando analogias do dia a dia:

1. O Problema: A "Caixa Preta" da IA

Os cientistas já criaram IAs (redes neurais profundas) que são ótimas em prever onde um navio vai estar daqui a 5 minutos. Elas olham para o histórico de movimento e dizem: "O navio vai virar aqui".

• O problema: Essas IAs funcionam como uma caixa preta. Elas dão a resposta certa, mas ninguém sabe como chegaram lá. Será que elas estão olhando para o navio vizinho? Ou estão apenas ignorando os outros e adivinhando baseado em padrões antigos?
• O risco: Se a IA estiver "chutando" e não entendendo a interação real entre os navios, ela pode falhar em situações novas e perigosas, sem que ninguém perceba até que seja tarde demais.

2. A Solução: O "Raio de Consciência" (Ship Domain)

Os autores criaram um modelo que tenta tornar essa "caixa preta" transparente. Eles usaram um conceito chamado Domínio do Navio.

• A Analogia: Pense no "Domínio do Navio" como uma bolha invisível ao redor de cada barco.
  • Se outro barco entra na sua bolha, você deve prestar atenção nele.
  • Se ele está longe, fora da bolha, você pode ignorá-lo.
• A Inovação: Em vez de desenhar essa bolha com uma régua fixa (ex: "sempre 100 metros"), a IA aprende o tamanho dessa bolha. Ela descobre sozinha: "Ah, quando dois navios vêm em direções opostas, preciso de uma bolha maior. Quando estão indo na mesma direção, uma bolha menor basta".

3. O Experimento: O Detetive de Interações

Os pesquisadores criaram três versões diferentes do modelo para testar se a IA realmente estava "prestando atenção" nos outros navios ou apenas fingindo.

• O Modelo "Tudo Junto" (EA-DA): A IA mistura tudo de uma vez. Ela prevê o caminho e decide quem olhar ao mesmo tempo.
• O Modelo "Separado" (E-DDA): Aqui está a parte genial. Eles separaram o cérebro da IA em duas partes:
  1. O Sonhador (BlindLSTM): Um cérebro que prevê para onde o navio vai se ninguém estivesse por perto. Ele ignora os outros.
  2. O Observador (AttLSTM): Um cérebro que olha apenas para os navios vizinhos e decide como eles mudam o caminho.
  • A Mágica: No final, eles juntam as duas previsões. Isso permite ver o quanto a presença de outro navio realmente mudou a previsão.

4. O Que Eles Descobriram? (A Surpresa)

Os resultados foram interessantes e um pouco preocupantes:

• Precisão: Os modelos funcionaram bem! Conseguiram prever onde o navio estaria com um erro de cerca de 40 metros em 5 minutos (o que é muito bom para um rio cheio de curvas).
• A Pegadinha: Mesmo sendo precisos, os modelos não estavam usando a lógica correta.
  • A IA aprendeu a prever bem, mas as "bolhas invisíveis" que ela criou não faziam sentido. Por exemplo, ela ignorava navios que vinham de frente (o que deveria ser o mais perigoso) e dava importância a navios que estavam longe.
  • Analogia: É como um motorista que dirige perfeitamente, mas se você perguntar "por que você freou?", ele diz "porque vi um pássaro", quando na verdade ele freou porque viu um pedestre. Ele acerta a ação, mas a explicação (a lógica) está errada.

5. Por que isso é importante?

O artigo conclui que ter uma previsão precisa não significa que o modelo é inteligente ou seguro.

• Se a IA acerta por "sorte" ou por um padrão errado, ela pode falhar catastróficamente em uma situação nova.
• A grande contribuição deste trabalho é mostrar que precisamos de modelos que expliquem suas decisões. O modelo "Separado" (E-DDA) foi o mais honesto: ele mostrou que, quando forçamos a IA a separar o que é "movimento próprio" do que é "interação com outros", ela começa a entender melhor a realidade.

Resumo Final

Imagine que você está ensinando um robô a navegar num rio cheio de barcos.

• Antes: O robô acertava o destino, mas ninguém sabia se ele estava olhando para os outros barcos ou apenas seguindo um mapa antigo.
• Agora: Os autores criaram um robô que tem um "olho" separado para observar os vizinhos. Eles descobriram que, embora o robô antigo fosse preciso, ele não estava realmente "prestando atenção" nos outros barcos como deveria.
• O Futuro: O objetivo agora é usar essa nova estrutura para fazer perguntas do tipo: "O que aconteceria se aquele navio não estivesse aqui?" (análise contrafactual), garantindo que a IA seja não apenas precisa, mas também confiável e explicável.

Em suma: Não basta acertar o alvo; é preciso entender a lógica do tiro para garantir que não vamos errar no futuro.

Resumo técnico

1. Problema e Contexto

A previsão precisa de trajetórias de navios em ambientes de tráfego denso é fundamental para a segurança na navegação interior (rios e canais). Embora os avanços em Deep Learning tenham aumentado a precisão em cenários complexos, a explicabilidade desses modelos é frequentemente negligenciada. Isso pode ocultar lógicas imprecisas e minar a confiança na confiabilidade do sistema.

O desafio específico na navegação interior difere do marítimo devido à geometria dos rios, dinâmica dos fluidos e regulamentações locais. Um ponto crítico é a consciência de interação entre navios (ship-to-ship awareness):

• É difícil discernir se a melhoria na previsão é realmente causada pela modelagem correta das interações entre navios ou se é um artefato do modelo.
• Existe o risco de mecanismos de interação afetarem negativamente previsões em cenários onde a interação não é essencial.
• A comparação de modelos é complicada por diferenças em conjuntos de dados e premissas simplificadoras.

O objetivo deste estudo é adaptar uma abordagem de previsão de trajetória multi-navio para o contexto de águas interiores, focando na interpretabilidade e na validação de se o modelo realmente aprendeu a considerar as interações físicas entre as embarcações.

2. Metodologia

Os autores propõem e avaliam três variantes de um modelo baseado em LSTM (Long Short-Term Memory) com mecanismos de atenção. O modelo utiliza dados AIS (Sistema de Identificação Automática) e prevê deslocamentos futuros (longitudinais e laterais) em vez de coordenadas absolutas.

Arquitetura Base e Mecanismo de Domínio do Navio

O modelo utiliza um tensor de parâmetros de Domínio do Navio (Ship Domain) aprendível ($S$). Este domínio define uma área ao redor de um navio que deve permanecer livre de intrusões.

• Parâmetros de Relação: A interação é discretizada com base em três variáveis: distância lateral, direção relativa de movimento (oposto, alinhado, estático) e taxa de mudança de distância.
• Mecanismo de Atenção: O modelo calcula pesos para os estados ocultos de navios vizinhos. Se a distância real entre os navios for menor que o valor do domínio aprendido ($S$), o navio vizinho é considerado relevante e seu estado é incluído na fusão; caso contrário, o peso é zero.

Variantes do Modelo Propostas

Para investigar a causalidade e a explicabilidade, três arquiteturas foram desenvolvidas:

1. EA-DA (Encoder-Attention-Decoder-Attention): Integra o mecanismo de ponderação e atenção tanto no codificador quanto no decodificador.
2. E-DA (Encoder-Decoder-Attention): Remove a atenção do codificador, aplicando-a apenas no decodificador para isolar o impacto da interação no momento da previsão.
3. E-DDA (Encoder-Dual-Decoder-Attention): A variante mais inovadora para explicabilidade. O decodificador é dividido em dois caminhos:
   • BlindLSTM: Processa apenas a trajetória do navio-alvo (ignorando interações).
   • AttLSTM: Processa apenas os estados ocultos ponderados e atendidos dos navios vizinhos.
   • As saídas são combinadas para a previsão final. Isso permite separar claramente a previsão baseada apenas no histórico do navio da previsão baseada na interação.

3. Contribuições Chave

• Adaptação para Águas Interiores: A aplicação de modelos de previsão de trajetória multi-navio com domínios dinâmicos aprendíveis ao contexto específico de rios (ex: Reno), onde as interações são mais complexas e restritas pela geometria do canal.
• Arquitetura Explicável (XAI): A proposta da variante E-DDA permite analisar separadamente a contribuição da interação na previsão, facilitando análises contrafactuais no futuro.
• Análise de Causalidade: O estudo não se limita a métricas de erro, mas investiga se as melhorias de precisão são realmente derivadas de uma lógica de interação física correta.
• Separação de Componentes: Diferente de trabalhos anteriores que fundem estados ocultos de forma integrada, este trabalho separa a seleção de navios relevantes (via parâmetros de domínio) da fusão de estados (via atenção), tornando o modelo mais transparente.

4. Resultados

O modelo foi treinado e testado com dados AIS do Rio Reno (km 595-611) cobrindo mais de 3 anos (2021-2024).

• Desempenho de Previsão (Erro de Deslocamento Final - FDE):

  • O modelo E-DA obteve o menor erro médio (38,4 m) e mediana (25,1 m) para um horizonte de 5 minutos.
  • O modelo E-DDA teve desempenho ligeiramente inferior (40,9 m de erro médio), mas ainda superior ao modelo de referência sem interação (E-D).
  • O modelo EA-DA apresentou desempenho intermediário.
  • Todos os modelos superaram o modelo de referência "cego" (sem atenção de interação), que teve o pior desempenho.

• Análise de Explicabilidade (Parâmetros do Domínio do Navio):

  • Descoberta Crítica: Embora o modelo E-DA tenha tido o melhor desempenho numérico, os parâmetros do domínio do navio aprendidos não refletiram uma lógica de interação física plausível. O modelo não aumentou o domínio para navios em aproximação; na verdade, reduziu a relevância de navios opostos em certas condições, sugerindo que sua alta precisão não deriva de uma compreensão causal correta das interações.
  • Comportamento do E-DDA: A variante E-DDA aprendeu parâmetros mais plausíveis, aumentando o domínio para navios opostos que se aproximam (com mudança de distância negativa), alinhando-se com a expectativa física de que navios próximos devem ser considerados.
  • Comportamento Contra-intuitivo: O E-DDA atribuiu maior importância a navios com maior distância lateral, o que é contraintuitivo (navios próximos deveriam ser mais relevantes). Os autores sugerem que isso pode ser devido a navios próximos já terem definido seu curso ou estarem retornando ao centro do canal após manobras, mas isso requer mais análise.

5. Significado e Conclusão

O estudo demonstra que alta precisão de previsão não garante que o modelo esteja aprendendo as interações corretamente. Métricas tradicionais de erro (como FDE) podem mascarar falhas na lógica interna do modelo.

• Importância da Explicabilidade: A análise dos parâmetros de domínio revelou que modelos com melhor desempenho estatístico podem estar usando "atalhos" ou correlações espúrias em vez de modelar a física da interação.
• Validação de Arquiteturas: A arquitetura E-DDA, embora com erro ligeiramente maior, oferece uma representação mais fiel e interpretável das interações, sendo superior para aplicações que exigem confiança e segurança (como sistemas autônomos).
• Trabalho Futuro: Os autores planejam utilizar a arquitetura proposta para análises contrafactuais (ex: "o que aconteceria se este navio não estivesse aqui?") e refinar os mecanismos de atenção para corrigir as anomalias observadas na ponderação de navios vizinhos.

Em resumo, o artigo é um passo crucial para a IA explicável na navegação autônoma, mostrando que a busca por precisão deve ser acompanhada pela validação da lógica de decisão do modelo, especialmente em ambientes críticos como vias navegáveis interiores.