AeroCast 是一个面向非合作空中障碍物的概率三维轨迹预测框架，由 Syed Izzat Ullah 与 Jose Baca 撰写，于 2026 年 6 月 23 日提交至 arXiv，编号 2606.25122v1，归入机器人学（cs.RO）分类，同时涉及人工智能（cs.AI）与机器学习（cs.LG）。论文关注的核心问题是：在共享空域中运行的自主飞行器必须提前预测非合作障碍物的未来位置，才能在碰撞变得不可避免之前规划规避动作。
研究指出，合作式系统之间可以共享飞行意图，但非合作障碍物——例如鸟类、不受控的无人机或空中碎片——无法提供这类信息，其运动呈现多模态特征，即未来轨迹存在多种可能的演化方式。确定性预测器难以充分表达这种多模态性。现有方法也存在两类局限：一类依赖循环编码器顺序传播时序信息，从而限制了对机动起始之前长程运动学前兆的捕捉能力；另一类只输出点预测，无法向下游规划器提供任何分布层面的信息。
针对上述问题，AeroCast 将 Transformer 编码器与混合密度网络（Mixture Density Network, MDN）输出头结合，对未来的三维位移逐时间步预测高斯混合分布，而不是给出单一轨迹点。为适配混合模型在空中轨迹预测中的特殊需求，作者设计了一种平移不变的连续位移编码方式，用以处理输入设计问题；同时引入面向校准的训练目标，以缓解混合模型常见的模式退化问题。
实验方面，作者构建了一个由真实数据与合成数据混合组成的四旋翼语料库，覆盖九种运动类别，并在五秒预测时域上与其他方法进行比较。结果显示，AeroCast 将平均位移误差（Average Displacement Error）与最终位移误差（Final Displacement Error）相较基线方法降低约 50%，同时在所有对比方法中取得最低的负对数似然（Negative Log-Likelihood）与连续排序概率分数（Continuous Ranked Probability Score），说明其概率预测的准确性与校准质量均具优势。
消融分析进一步揭示了各组件的作用：速度输入与模型容量是影响预测质量的主要因素，而位置编码对于长时域轨迹的连贯性不可或缺。在部署可行性方面，AeroCast 的单样本推理耗时约 0.1 毫秒，可支持 100Hz 的实时机载运行，为自主飞行器在真实空域中实现快速避障提供了实用基础。论文全文可通过 arXiv 获取，包含 PDF、实验性 HTML 版本以及 TeX 源文件，DOI 为 10.48550/arXiv.2606.25122，由 DataCite 发放（注册尚待完成）。