論文の概要: X-VORTEX: Spatio-Temporal Contrastive Learning for Wake Vortex Trajectory Forecasting
- arxiv url: http://arxiv.org/abs/2602.12869v1
- Date: Fri, 13 Feb 2026 12:20:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-16 23:37:53.942689
- Title: X-VORTEX: Spatio-Temporal Contrastive Learning for Wake Vortex Trajectory Forecasting
- Title（参考訳）: X-VORTEX:Wake Vortex Trajectory Forecastingのための時空間コントラスト学習
- Authors: Zhan Qu, Michael Färber,
- Abstract要約: 我々は,未ラベルのLiDAR点雲列から物理認識表現を学習する学習フレームワークであるX-VORTEXを提案する。
X-VORTEXは2つのコア課題に対処する。
我々は100万以上のLiDARスキャンを実世界のデータセットで評価した。
- 参考スコア（独自算出の注目度）: 7.2159153945746795
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Wake vortices are strong, coherent air turbulences created by aircraft, and they pose a major safety and capacity challenge for air traffic management. Tracking how vortices move, weaken, and dissipate over time from LiDAR measurements is still difficult because scans are sparse, vortex signatures fade as the flow breaks down under atmospheric turbulence and instabilities, and point-wise annotation is prohibitively expensive. Existing approaches largely treat each scan as an independent, fully supervised segmentation problem, which overlooks temporal structure and does not scale to the vast unlabeled archives collected in practice. We present X-VORTEX, a spatio-temporal contrastive learning framework grounded in Augmentation Overlap Theory that learns physics-aware representations from unlabeled LiDAR point cloud sequences. X-VORTEX addresses two core challenges: sensor sparsity and time-varying vortex dynamics. It constructs paired inputs from the same underlying flight event by combining a weakly perturbed sequence with a strongly augmented counterpart produced via temporal subsampling and spatial masking, encouraging the model to align representations across missing frames and partial observations. Architecturally, a time-distributed geometric encoder extracts per-scan features and a sequential aggregator models the evolving vortex state across variable-length sequences. We evaluate on a real-world dataset of over one million LiDAR scans. X-VORTEX achieves superior vortex center localization while using only 1% of the labeled data required by supervised baselines, and the learned representations support accurate trajectory forecasting.
- Abstract（参考訳）: ウェイク渦は航空機が生み出す強いコヒーレントな空気乱流であり、航空交通管理にとって大きな安全性と容量の課題となる。
渦の運動、弱化、そしてLiDAR測定による散逸の追跡は、スキャンが希薄であり、渦のシグネチャは大気の乱流と不安定さによって崩壊し、ポイントワイドアノテーションは違法に高価であるため、依然として困難である。
既存のアプローチは、各スキャンを独立した完全教師付きセグメンテーション問題として扱うが、これは時間構造を見落とし、実際に収集された膨大なラベルのないアーカイブにスケールしない。
本稿では,拡張オーバーラップ理論に基づく時空間比較学習フレームワークであるX-VORTEXについて述べる。
X-VORTEXは2つのコア課題に対処する。
これは、弱い摂動シーケンスと時間的なサブサンプリングと空間マスキングによって生成された強い強化されたシーケンスを組み合わせることで、同じ基礎となる飛行イベントからペア化された入力を構築し、失われたフレーム間の表現の整合と部分的な観察をモデルに奨励する。
アーキテクチャ上、時間分散幾何エンコーダはスキャン毎に特徴を抽出し、シーケンシャルアグリゲータは可変長列間で進化する渦状態をモデル化する。
我々は100万以上のLiDARスキャンを実世界のデータセットで評価した。
X-VORTEXは、教師付きベースラインが必要とするラベル付きデータの1%しか使用せず、より優れた渦中心位置決めを実現し、学習された表現は正確な軌道予測をサポートする。
関連論文リスト
- LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。
本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。
実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-09T13:33:49Z) - DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting [28.005308500582405]
時系列予測は多くの領域で基本となっているが、正確なモデルを訓練するには大規模なデータセットと計算資源が必要となることが多い。
本稿では,一階凝縮分解に基づく軽量・プラグイン蒸留フレームワークDDTimeを提案する。
DDTimeは既存の蒸留法を一貫して上回り、約30%の精度向上を実現し、約2.49%の計算オーバーヘッドを導入した。
論文 参考訳（メタデータ） (2025-11-20T16:50:09Z) - Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。
テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
論文 参考訳（メタデータ） (2025-09-29T08:52:30Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - Functional Complexity-adaptive Temporal Tensor Decomposition [21.446684930040266]
機能的アンダーラインコンプレシティ-アンダーライン適応アンダーラインテンソルダンダーラインエコレーション(textscCatte)を提案する。
提案手法では,連続的な空間指標を学習可能なフーリエ特徴としてエンコードし,潜時空間におけるニューラルODEを用いて時間的要因の軌跡を学習する。
分析的エビデンスを低く抑えた効率的な変分推論手法を開発し,サンプリング不要な最適化を実現する。
論文 参考訳（メタデータ） (2025-02-10T05:27:11Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z)
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。