Geometry-Informed Maritime Anomaly Detection Using Probabilistic Roadmaps

Resumo Técnico: Detecção de Anomalias Marítimas Informada pela Geometria Usando Mapas de Estradas Probabilísticos

Definição do Problema
A detecção de anomalias marítimas é crítica para a segurança da navegação e para a proteção da infraestrutura subaquática, particularmente em ambientes complexos como o Mar Báltico, que apresenta tráfego denso, arquipélagos e cabos submarinos críticos. Embora abordagens recentes baseadas em dados que utilizam o Sistema de Identificação Automática (AIS) tenham avançado por meio de agrupamento não supervisionado, modelos generativos profundos e métodos híbridos baseados em grafos, uma limitação significativa persiste: a maioria dos métodos existentes depende de modelagem de comportamento latente ou de embeddings de características aprendidas sem codificar explicitamente restrições de viabilidade de navegação. Consequentemente, a consistência geométrica é inferida implicitamente em vez de ser estruturalmente incorporada, podendo negligenciar desvios que violam normas de navegação físicas ou regulatórias.

Metodologia
Os autores propõem uma estrutura supervisionada informada pela geometria que integra Mapas de Estradas Probabilísticos (PRMs) — originalmente desenvolvidos para planejamento de movimento robótico — com aprendizado de máquina supervisionado para detectar trajetórias anômalas de embarcações.

1. Construção do Mapa de Estradas Probabilístico (PRM):

   • Um grafo não direcionado ponderado $G=(V, E)$ é construído sobre o domínio navegável do Mar Báltico.
   • Nós ($V$): Gerados a partir dos pontos de partida/chegada de 858 viagens reais de AIS (1.716 pontos) e pontos amostrados uniformemente dentro do limite do Mar Báltico. Os nós são filtrados usando uma máscara de terra-água derivada de imagens de satélite Sentinel-2 (limiar de refletância $\approx 0,18$) para garantir que estejam na água. O conjunto final compreende 2.284 nós válidos.
   • Arestas ($E$): Os nós são conectados aos seus $k$ vizinhos mais próximos ($k=25$) se o segmento reto entre eles estiver inteiramente em águas navegáveis. Arestas que interceptam linhas costeiras (extraídas do OpenStreetMap) são descartadas.
   • Função: O PRM serve como um prior estrutural que codifica corredores marítimos viáveis. A distância de caminho mais curto $d_G(v_i, v_j)$ neste grafo define a distância marítima "nominal" entre os pontos.

2. Conjunto de Dados e Geração de Anomalias Sintéticas:

   • Dados: Trajetórias de 858 navios de carga geral reais do Mar Báltico (jan/2017–jan/2019) foram limpas, reamostradas em intervalos de 5 minutos e projetadas no sistema de coordenadas EPSG:3035.
   • Anomalias Sintéticas: Devido à escassez de anomalias reais rotuladas, 858 anomalias sintéticas foram geradas para criar um conjunto de dados equilibrado (1.716 trajetórias no total). Estas foram criadas via quatro mecanismos para garantir diversidade:
     • Desvio Sinusoidal: Perturbações laterais periódicas com ruído Gaussiano adicionado.
     • Perturbações Baseadas em Markov: Desvios direcionais estocásticos usando um kernel de probabilidade 3x3.
     • Distorções Baseadas em Autoencoder: Distorções não lineares introduzidas através da injeção de ruído no espaço latente de um autoencoder treinado.
     • Anomalias de Velocidade Próximo a Cabos: Aumentos artificiais de velocidade (1,8x–2,2x) para segmentos que interceptam um buffer de 500m ao redor de cabos submarinos.

3. Extração de Características:
   As trajetórias são projetadas nos nós do PRM para extrair três categorias de descritores de nível de viagem:

   • Conformidade com o PRM: Métricas que quantificam o desvio do grafo, incluindo a razão entre o comprimento real da trajetória e o comprimento do caminho mais curto do PRM ($L_{AIS}/L_{PRM}$), diferença de comprimento absoluto, desvio euclidiano máximo e médio em relação ao nó do PRM mais próximo, e cobertura do PRM.
   • Cinemática: Variabilidade na velocidade e no rumo (heading), e aceleração absoluta máxima.
   • Interação Contextual: Distância mínima para a costa e métricas relativas à interação com cabos submarinos (tempo gasto próximo aos cabos e velocidade média enquanto próximos a eles).

4. Classificação:
   Um classificador de Floresta Aleatória (Random Forest - RF) é treinado no conjunto de características extraídas. O modelo utiliza amostragem bootstrap e subconjuntos de características aleatórios para lidar com interações heterogêneas e não lineares. Os hiperparâmetros são ajustados via busca em dois estágios (busca aleatória seguida de refinamento de grade) usando validação cruzada de 10 dobras (10-fold cross-validation).

Principais Contribuições

• Priors Estruturais: O artigo reinterpreta os PRMs não para geração de entrada de controle, mas como priors estruturais que codificam explicitamente restrições de viabilidade de navegação (geografia, linhas costeiras, áreas restritas) no processo de detecção de anomalias.
• Interpretabilidade: Ao projetar trajetórias em um grafo de navegabilidade, a estrutura extrai características interpretáveis (ex: eficiência de rota, desvio geométrico) em vez de depender apenas de embeddings latentes opacos.
• Consciência de Infraestrutura: A metodologia integra explicitamente dados de cabos submarinos, permitindo a detecção de anomalias especificamente relacionadas a infraestruturas subaquáticas críticas.
• Conjunto de Dados Sintético Equilibrado: A geração de anomalias sintéticas diversas permite o treinamento supervisionado em um domínio onde anomalias rotuladas são, de outra forma, indisponíveis.

Resultados Experimentais
O framework foi avaliado em um conjunto de teste mantido à parte (20% dos dados) com os seguintes resultados:

• Desempenho: O modelo alcançou um ROC AUC de teste de 0,837, com uma acurácia de teste de 74,6%, precisão de 76,2% e recall de 71,3%.
• Generalização: O AUC de teste (0,837) permaneceu próximo ao AUC de validação (0,819), indicando uma generalização estável apesar do uso de dados sintéticos. O AUC de treinamento foi maior (0,949), sugerindo um overfitting moderado, que os autores atribuem à natureza heterogênea e de alta dimensão do espaço de características.
• Discriminação: A curva ROC demonstrou uma separação clara em relação à linha de base aleatória, e a distribuição das probabilidades previstas mostrou agrupamentos distintos para trajetórias anômalas versus normais.

Significância e Alegações
Os autores alegam que a incorporação de restrições de viabilidade de navegação via PRMs produz uma "representação estruturalmente significativa" do comportamento marítimo. Esta abordagem oferece um framework interpretável e operacionalmente relevante para o monitoramento consciente de infraestrutura em ambientes geometricamente complexos.

O artigo reconhece modestamente suas limitações:

• Os resultados dependem de anomalias sintéticas; dados de anomalias reais independentes são necessários para validação externa.
• O estudo carece de estudos de ablação comparando a abordagem baseada em PRM contra baselines cinemáticas puras ou geométricas sem PRM para isolar a contribuição específica do mapa de estradas.
• O PRM atual é estático; sugere-se que trabalhos futuros incorporem dinâmicas temporais (padrões sazonais) e fatores ambientais (clima, correntes) para evoluir o grafo para um modelo ciente do tempo.

Em última análise, este trabalho estabelece uma base estruturada baseada em grafos para a detecção de anomalias marítimas, oferecendo uma alternativa estruturada às representações de trajetória puramente latentes.