AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks

Resumo Técnico: Predição de Trajetória de Embarcações Baseada em AIS Utilizando Redes Neurais Aumentadas por Memória

Definição do Problema
A predição precisa da trajetória de embarcações é crítica para a consciência situacional marítima, prevenção de colisões e otimização de rotas. Embora abordagens de aprendizado profundo tenham sido amplamente aplicadas a esta tarefa utilizando dados do Sistema de Identificação Automática (AIS), os métodos existentes frequentemente têm dificuldade em capturar todo o espectro de comportamentos das embarcações. O movimento das embarcações é caracterizado por padrões de cruzeiro frequentes e repetitivos, intercalados por comportamentos de manobra raros, porém diversos. Modelos de sequência padrão podem falhar ao não reter explicitamente padrões de trajetória específicos de nível de instância, particularmente quando eventos de manobra são infrequentes. Este artigo investiga se redes neurais aumentadas por memória (MANNs), que demonstraram sucesso na predição de pedestres e veículos rodoviários, podem abordar efetivamente esses desafios no domínio marítimo.

Metodologia
Os autores propõem uma investigação empírica utilizando a MANTRA (Rede Neural Aumentada por Memória para Predição de Trajetória), uma arquitetura seminal de MANN, adaptada para dados AIS. A metodologia central envolve um mecanismo de memória externa que armazena e recupera pares de codificação passado-futuro.

1. Representação de Dados: O modelo utiliza posições espaciais (latitude, longitude) juntamente com atributos de navegação dinâmica: Velocidade Sobre o Solo (SOG) e Rumo Sobre o Solo (COG). O SOG e o COG são incorporados como covariáveis de entrada ($x_t$) junto com a posição ($y_t$), reconhecendo sua importância na predição da trajetória da embarcação. Dados ausentes de AIS são tratados via interpolação, e um indicador binário é utilizado para sinalizar posições originalmente não observadas.
2. Construção da Memória: É empregado um framework de autoencoder composto por um codificador de passado ($g$), um codificador de futuro ($h$) e um decodificador ($d$).
   • O codificador de passado processa o histórico observado $[y_P, x_P]$ para gerar uma codificação de passado ($\pi$).
   • O codificador de futuro processa o futuro real $[y_F, x_F]$ para gerar uma codificação de futuro ($\delta$).
   • Esses pares são usados para treinar o sistema para reconstruir trajetórias futuras.
3. Controlador de Memória: Um controlador ($c$) gerencia a memória externa $\Omega$. Ele decide se escreve um novo segmento de trajetória $(\pi, \delta)$ na memória com base em uma pontuação de "novidade". Essa pontuação é derivada do erro de predição ($e_i$) do segmento atual; se o modelo falha em prever um segmento com precisão usando a memória existente, o controlador é treinado para escrever esse segmento na memória para capturar o padrão ausente.
4. Fase de Predição: Durante a inferência, o modelo computa a codificação de passado para uma nova trajetória de consulta. Ele recupera os itens de memória mais similares (top-$K$) de $\Omega$ usando similaridade de cosseno. Essas codificações de futuro recuperadas são decodificadas para gerar $K$ predições de trajetória multimodais, contabilizando a incerteza inerente aos movimentos das embarcações.

Principais Contribuições

• Primeira Investigação Empírica: Tanto quanto sabem os autores, este é o primeiro estudo a aplicar a predição de trajetória baseada em memória especificamente a dados de trajetória de embarcações baseados em AIS.
• Ganhos de Desempenho: O estudo demonstra que a incorporação de uma memória externa proporciona melhorias substanciais de desempenho sobre os baselines de aprendizado profundo que carecem de mecanismos de memória.
• Tratamento de Multimodalidade: A abordagem captura efetivamente tanto os padrões comuns de cruzeiro quanto os comportamentos de manobra raros ao armazenar explicitamente codificações de nível de instância, superando modelos que dependem apenas de dependências temporais ou interações entre agentes.

Resultados Experimentais
Experimentos foram conduzidos em dados de AIS de duas regiões: o Golfo do México e o New York Bight. O modelo MANTRA proposto foi comparado contra seis baselines, incluindo STGAT, Social-STGCNN, TransformerTF, AgentFormer, Social-Implicit e TUTR.

• Métricas: O desempenho foi avaliado usando o Erro de Deslocamento Médio (ADE) e o Erro de Deslocamento Final (FDE) através de horizontes de predição de 10, 20 e 30 minutos.
• Resultados Quantitativos: O MANTRA superou consistentemente todos os baselines.
  • Golfo do México: Comparado ao melhor baseline, o MANTRA reduziu o ADE em até 46,4% e o FDE em até 54,7% (nos horizontes de 10, 20 e 30 minutos).
  • New York Bight: As melhorias atingiram até 33,3% em ADE e 27,7% em FDE.
• Estabilidade: O MANTRA exibiu os menores erros padrão em todas as configurações, indicando um desempenho mais estável entre sementes aleatórias em comparação aos baselines.
• Análise Qualitativa: Visualizações confirmaram que o MANTRA correspondeu de perto às trajetórias reais tanto para cenários de cruzeiro quanto de manobra.

Significância e Alegações
O artigo afirma que abordagens baseadas em memória representam um paradigma poderoso para a predição de trajetória de embarcações. Ao reter explicitamente representações de trajetória de nível de instância, o modelo pode aprender com instâncias passadas específicas em vez de depender apenas de padrões estatísticos generalizados. Essa capacidade é particularmente valiosa para operações marítimas onde eventos de manobra raros são críticos para a segurança, mas sub-representados nas distribuições de treinamento padrão.

Os autores concluem que, embora o estudo atual foque em dados espaciais e de navegação dinâmica, trabalhos futuros poderiam integrar variáveis contextuais de alta dimensão (ex: tipo de embarcação, clima, geometria de vias navegáveis) e métodos para quantificar a incerteza da predição. O estudo estabelece uma base empírica sólida para o uso de memória externa em aplicações de IA marítima.