用于环境感知的长时域船舶轨迹预测的分层两阶段框架
本文提出了一种分层两阶段框架，用于在真实海洋条件下进行长时域船舶轨迹预测。该框架结合粗粒度长期预测器和网格感知短期预测器，并集成海洋环境参数，在澳大利亚船舶跟踪系统数据上实现了优于现有方法25%的平均位移误差和17%的最终位移误差。
近日，一篇题为《Hierarchical Two-Stage Framework for Environment-Aware Long-Horizon Vessel Trajectory Prediction》的论文在arXiv上发布，提出了一种新颖的分层两阶段框架，用于在真实海洋条件下实现高精度的长时域船舶轨迹预测。该研究由Ganeshaaraj Gnanavel、Tharindu Fernando、Sridha Sridharan和Clinton Fookes共同完成，于2026年5月15日提交。
船舶轨迹预测对于海上避碰、交通管理和航线规划至关重要。然而，由于长距离时间依赖性和动态环境因素（如海流、风和波浪）的影响，准确预测极具挑战性。现有方法往往难以同时捕捉全局航行意图和局部动态变化。为了解决这一问题，作者设计了一个分层融合机制，将粗粒度长期预测器与网格感知短期预测器相结合。短期分支使用时空图变换器对离散化的海上单元进行处理，以捕获局部动态；长期分支则编码总体航行意图。此外，一个集成的环境模块通过跨模态注意力和特征级调制，结合海表流、风矢量、有效波高等海洋学参数，使模型能够自适应响应不同的海况。为提高轨迹时间一致性，论文还引入了一个可学习的Savitzky-Golay平滑层。
实验基于澳大利亚西北地区的船舶跟踪系统（CTS）数据，并与哥白尼海洋服务产品对齐。模型使用3小时输入预测未来10小时轨迹。结果显示，该框架在平均位移误差（ADE）和最终位移误差（FDE）上分别比现有最优方法提升了25%和17%。消融实验进一步验证了各组件的贡献，其中环境模块和分层融合机制对性能提升最为关键。
这项研究为海上自主航行和智能交通系统提供了有力的技术支撑，未来有望扩展到更复杂的多船交互场景。论文作者还计划开源代码，以促进该领域的进一步研究。