Detecting modes of behavior in marine trajectories using imitation learning / Ανίχνευση τρόπων συμπεριφοράς σε ναυτιλιακές τροχιές χρησιμοποιώντας μάθηση μίμησης

Summary

In recent years, advancements in the field of data acquisition from satellite navigation systems and automatic identification systems (AIS) has led to rapid increase of data in the domain of maritime surveillance. However, given the complexity and great volume of trajectory data, traditional approaches for analysing and exploring such information poses several limitations. For that reason, an automated method for identifying common modes of behaviour in distinct trajectory segments could provide significant benefits, particularly in the problem of event recognition and trajectory prediction. This thesis approaches this problem as an imitation learning task and explores the use of directed Info-GAIL algorithm, along with historical AIS data and its contextual features, in order to learn subtask policies from unsegmented demonstrations of vessel trajectories.

Περίληψη

Τα τελευταία χρόνια, οι πρόοδοι στον τομέα της απόκτησης δεδομένων από συστήματα δορυφορικής πλοήγησης και αυτόματα συστήματα αναγνώρισης (AIS) έχουν οδηγήσει σε ταχεία αύξηση των δεδομένων στον τομέα της ναυτιλιακής επιτήρησης. Ωστόσο, δεδομένης της πολυπλοκότητας και του μεγάλου όγκου των δεδομένων τροχιών, οι παραδοσιακές προσεγγίσεις για την ανάλυση και εξερεύνηση αυτών των πληροφοριών παρουσιάζουν αρκετούς περιορισμούς. Για το λόγο αυτό, μια αυτοματοποιημένη μέθοδος για την αναγνώριση κοινών τρόπων συμπεριφοράς σε διακριτά τμήματα τροχιών θα μπορούσε να προσφέρει σημαντικά οφέλη, ειδικά στο πρόβλημα της αναγνώρισης γεγονότων και της πρόβλεψης τροχιών. Αυτή η διατριβή προσεγγίζει το πρόβλημα αυτό ως μια εργασία μίμησης μάθησης (imitation learning) και εξετάζει τη χρήση του κατευθυνόμενου αλγορίθμου Info-GAIL, μαζί με τα ιστορικά δεδομένα AIS και τα συμφραζόμενα χαρακτηριστικά τους, προκειμένου να μάθει πολιτικές υποκαθηκόντων από μη κατατμημένες επιδείξεις τροχιών πλοίων.