用於環境感知的長時域船舶軌跡預測的分層兩階段框架
本文提出了一種分層兩階段框架，用於在真實海洋條件下進行長時域船舶軌跡預測。該框架結合粗粒度長期預測器和網格感知短期預測器，並整合海洋環境引數，在澳大利亞船舶跟蹤系統資料上實現了優於現有方法25%的平均位移誤差和17%的最終位移誤差。
近日，一篇題為《Hierarchical Two-Stage Framework for Environment-Aware Long-Horizon Vessel Trajectory Prediction》的論文在arXiv上釋出，提出了一種新穎的分層兩階段框架，用於在真實海洋條件下實現高精度的長時域船舶軌跡預測。該研究由Ganeshaaraj Gnanavel、Tharindu Fernando、Sridha Sridharan和Clinton Fookes共同完成，於2026年5月15日提交。
船舶軌跡預測對於海上避碰、交通管理和航線規劃至關重要。然而，由於長距離時間依賴性和動態環境因素（如海流、風和波浪）的影響，準確預測極具挑戰性。現有方法往往難以同時捕捉全域性航行意圖和區域性動態變化。為了解決這一問題，作者設計了一個分層融合機制，將粗粒度長期預測器與網格感知短期預測器相結合。短期分支使用時空圖變換器對離散化的海上單元進行處理，以捕獲區域性動態；長期分支則編碼總體航行意圖。此外，一個整合的環境模組透過跨模態注意力和特徵級調變，結合海表流、風向量、有效波高等海洋學引數，使模型能夠自適應響應不同的海況。為提高軌跡時間一致性，論文還引入了一個可學習的Savitzky-Golay平滑層。
實驗基於澳大利亞西北地區的船舶跟蹤系統（CTS）資料，並與哥白尼海洋服務產品對齊。模型使用3小時輸入預測未來10小時軌跡。結果顯示，該框架在平均位移誤差（ADE）和最終位移誤差（FDE）上分別比現有最優方法提升了25%和17%。消融實驗進一步驗證了各元件的貢獻，其中環境模組和分層融合機制對效能提升最為關鍵。
這項研究為海上自主航行和智慧交通系統提供了有力的技術支撐，未來有望擴充套件到更復雜的多船互動場景。論文作者還計劃開原始碼，以促進該領域的進一步研究。