論文の概要: Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences

• arxiv url: http://arxiv.org/abs/2506.12029v1
• Date: Thu, 22 May 2025 15:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.588474
• Title: Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences
• Title（参考訳）: 容器軌道予測のための物理インフォームニューラルネットワーク:有限差分による時間分散運動力学の学習
• Authors: Md Mahbub Alam, Amilcar Soares, José F. Rodrigues-Jr, Gabriel Spadon,
• Abstract要約: 正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。 従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。 本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
• 参考スコア（独自算出の注目度）: 1.740114131842074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate vessel trajectory prediction is crucial for navigational safety, route optimization, traffic management, search and rescue operations, and autonomous navigation. Traditional data-driven models lack real-world physical constraints, leading to forecasts that disobey vessel motion dynamics, such as in scenarios with limited or noisy data where sudden course changes or speed variations occur due to external factors. To address this limitation, we propose a Physics-Informed Neural Network (PINN) approach for trajectory prediction that integrates a streamlined kinematic model for vessel motion into the neural network training process via a first- and second-order, finite difference physics-based loss function. This loss function, discretized using the first-order forward Euler method, Heun's second-order approximation, and refined with a midpoint approximation based on Taylor series expansion, enforces fidelity to fundamental physical principles by penalizing deviations from expected kinematic behavior. We evaluated PINN using real-world AIS datasets that cover diverse maritime conditions and compared it with state-of-the-art models. Our results demonstrate that the proposed method reduces average displacement errors by up to 32% across models and datasets while maintaining physical consistency. These results enhance model reliability and adherence to mission-critical maritime activities, where precision translates into better situational awareness in the oceans.
• Abstract（参考訳）: 正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。 従来のデータ駆動モデルは現実世界の物理的制約を欠いているため、外的要因によって突然のコース変化や速度変化が発生するような制限されたデータやノイズの多いデータのような、容器の動きに反する予測が導かれる。 この制限に対処するために,1次および2次有限差分物理学に基づく損失関数を介し,血管運動の流線形運動モデルを統合する軌道予測のための物理情報ニューラルネットワーク(PINN)アプローチを提案する。 この損失関数は、ハーンの2階近似である1階フォワード・オイラー法を用いて離散化され、テイラー級数展開に基づく中間点近似で洗練され、期待された運動の振る舞いから逸脱を罰することによって基本的な物理原理への忠実さを強制する。 我々は,様々な海洋環境をカバーする実世界のAISデータセットを用いてPINNを評価し,最先端のモデルと比較した。 提案手法は,物理的整合性を維持しつつ,モデルとデータセット間の平均変位誤差を最大32%削減することを示した。 これらの結果により、モデル信頼性とミッションクリティカルな海洋活動への固執が促進され、そこでは精度が海洋におけるより良い状況認識に変換される。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• STDEN: Towards Physics-Guided Neural Networks for Traffic Flow Prediction [31.49270000605409]
  物理原理とデータ駆動モデルの統合の欠如は、この分野の開発を制限する重要な理由である。 本稿では,交通流力学の物理機構を深層ニューラルネットワークの枠組みに組み込む,時空間微分方程式ネットワーク(STDEN)という物理誘導型ディープラーニングモデルを提案する。 北京の3つの実世界の交通データセットの実験では、我々のモデルは最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2022-09-01T04:58:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。