実海域条件下での長期的な船舶軌道予測は、衝突回避、交通管理、航路計画にとって極めて重要である。しかし、長距離の時間依存性や、海流・風・波浪といった動的な環境要因のため、高精度な予測は難しい。この課題に対処するため、研究チームは、粗粒度の長期予測器とグリッド認識型の短期予測器を階層的融合機構で組み合わせる階層的二段階フレームワークを提案した。論文は arXiv:2605.16442 として2026年5月15日に投稿され、著者は Ganeshaaraj Gnanavel、Tharindu Fernando、Sridha Sridharan、Clinton Fookes の各氏。ロボティクス（cs.RO）を主分類とし、人工知能（cs.AI）および機械学習（cs.LG）にもまたがる内容である。
手法の設計では、短期ブランチが離散化された海上セル上で時空間グラフTransformerを用いて局所的な動態を捉え、長期ブランチが全体的な航行意図を符号化する。両者は階層的融合機構を通じて統合され、直近の細かな運動変化と遠い将来の進路の妥当性を同時に扱えるようにしている。この二分支構成が、長期的予測の難しさに対応する本フレームワークの中核である。
さらに、表層海流、風ベクトル、有義波高といった海洋学的パラメータを組み込む環境モジュールを統合している。このモジュールはクロスモーダル注意と特徴量変調を用い、異なる海況に適応的に応答する。加えて、学習可能な Savitzky-Golay 平滑化層により、融合された軌道の時間的一貫性を高め、予測系列の揺らぎや不連続を抑える。
評価では、オーストラリアの船舶追跡システム（CTS）北西地域のデータを Copernicus Marine Service の製品と整合させ、3時間の入力を用いて10時間先まで予測する設定で実験した。結果として、本フレームワークは平均変位誤差（ADE）で最先端手法を25%上回り、最終変位誤差（FDE）で17%上回った。アブレーション研究は各構成要素の寄与も検証している。論文全文はPDFおよび実験的HTMLとしてarXivで公開され、DOIは10.48550/arXiv.2605.16442、バージョンはv1、ファイルサイズは約4,677 KBである。