共有空域で運用される自律飛行体は、衝突が回避不能になる前に回避機動を計画するため、非協力的障害物の将来位置を予測する必要がある。意図を共有する協調システムとは異なり、鳥、制御不能なドローン、破片などの非協力的障害物は多峰的運動を示し、決定論的予測器では十分に表現できない。既存手法は、時間情報を逐次伝播するリカレントエンコーダに依存して機動開始の長距離運動学的前兆を捉える能力が限られるか、下流のプランナに分布情報を提供しない点予測を生成するかのいずれかである。
本論文では、Transformerエンコーダと混合密度ネットワーク（MDN）出力ヘッドを組み合わせ、将来の3次元変位に対する各タイムステップのガウス混合分布を予測する確率的軌道予測フレームワークAeroCastを提案する。並進不変の連続変位エンコーディングとキャリブレーション指向の学習目標により、混合ベースの空中軌道予測に特有の入力設計とモード退化の課題に対処する。
9つの運動カテゴリを含む実データと合成データのハイブリッド四 rotor コーパスにおいて、AeroCastは5秒の予測 horizon で平均変位誤差（ADE）と最終変位誤差（FDE）をベースラインと比較して約50%削減し、比較したすべての手法の中で最小の負の対数尤度（NLL）と連続ランク確率スコア（CRPS）を達成した。アブレーション分析により、速度入力とモデル容量が予測品質の主要な貢献因子であり、位置エンコーディングが長 horizon の軌道コヒーレンスに不可欠であることが示された。AeroCastの推論はサンプルあたり0.1msで完了し、100Hzでのリアルタイムオンボード展開と互換性がある。
本研究はSyed Izzat UllahとJose Bacaによって行われ、2026年6月23日に提出された。ロボティクス（cs.RO）に分類され、人工知能（cs.AI）と機械学習（cs.LG）にも関連する。非協力的空中障害物の確率的軌道予測に対する効率的かつ正確なソリューションを提供し、複雑な空域における自律飛行体の安全性と衝突回避能力の向上が期待される。