論文の概要: Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways

• arxiv url: http://arxiv.org/abs/2603.04472v1
• Date: Wed, 04 Mar 2026 07:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.911054
• Title: Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways
• Title（参考訳）: 内陸海域における船舶軌道予測のための説明可能な深層学習に向けて
• Authors: Tom Legel, Dirk Söffker, Roland Schätzle, Kathrin Donandt,
• Abstract要約: 本研究では,LSTMを用いた船体軌道予測モデルについて,訓練された船舶領域パラメータを組み込んだ検討を行った。 モデル変種の予測性能を標準変位誤差統計を用いて評価した。 最終的な変位誤差は5分間の予測地平線で40m程度であり、同様の研究と相容れない。
• 参考スコア（独自算出の注目度）: 0.8312466807725922
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate predictions of ship trajectories in crowded environments are essential to ensure safety in inland waterways traffic. Recent advances in deep learning promise increased accuracy even for complex scenarios. While the challenge of ship-to-ship awareness is being addressed with growing success, the explainability of these models is often overlooked, potentially obscuring an inaccurate logic and undermining the confidence in their reliability. This study examines an LSTM-based vessel trajectory prediction model by incorporating trained ship domain parameters that provide insight into the attention-based fusion of the interacting vessels' hidden states. This approach has previously been explored in the field of maritime shipping, yet the variety and complexity of encounters in inland waterways allow for a more profound analysis of the model's interpretability. The prediction performance of the proposed model variants are evaluated using standard displacement error statistics. Additionally, the plausibility of the generated ship domain values is analyzed. With an final displacement error of around 40 meters in a 5-minute prediction horizon, the model performs comparably to similar studies. Though the ship-to-ship attention architecture enhances prediction accuracy, the weights assigned to vessels in encounters using the learnt ship domain values deviate from the expectation. The observed accuracy improvements are thus not entirely driven by a causal relationship between a predicted trajectory and the trajectories of nearby ships. This finding underscores the model's explanatory capabilities through its intrinsically interpretable design. Future work will focus on utilizing the architecture for counterfactual analysis and on the incorporation of more sophisticated attention mechanisms.
• Abstract（参考訳）: 密集した環境における船舶軌道の正確な予測は、内陸水路交通の安全確保に不可欠である。 近年のディープラーニングの進歩により、複雑なシナリオにおいても精度が向上した。 シップ・ツー・シップ・アウェアネスの課題は成功の増大に対処されているが、これらのモデルの説明可能性はしばしば見過ごされ、不正確なロジックを隠蔽し、信頼性の信頼性を損なう可能性がある。 本研究では,LSTMを用いた船体軌道予測モデルについて,訓練された船体領域パラメータを取り入れた検討を行った。 このアプローチは、これまで海上輸送の分野で検討されてきたが、内陸の水路での遭遇の多様性と複雑さにより、モデルの解釈可能性をより深く分析することができる。 モデル変種の予測性能を標準変位誤差統計を用いて評価した。 さらに、生成された船舶領域値の妥当性を解析する。 最終的な変位誤差は5分間の予測地平線で40m程度であり、同様の研究と相容れない。 船舶間注意アーキテクチャは予測精度を高めるが、学習した船舶領域の値を用いて遭遇した船舶に割り当てられた重量は期待から逸脱する。 したがって、観測された精度の改善は、予測された軌道と近くの船の軌道との間の因果関係によって完全に駆動されるわけではない。 この発見は、本質的に解釈可能な設計を通じて、モデルの説明能力を強調している。 今後の研究は、対実分析のためのアーキテクチャの利用と、より高度な注意機構の導入に焦点をあてる。

関連論文リスト

• Predictive Modeling of Maritime Radar Data Using Transformer Architecture [1.0116530711210054]
  変圧器アーキテクチャはAISに基づく軌道予測に革命をもたらし、ソナーフレーム予測の実現可能性を示した。 文献ではソナー検出のためのトランスフォーマーに基づくフレーム予測が実証されているが,従来の作業ではトランスフォーマーを用いた海上レーダフレーム予測は行われていない。
  論文  参考訳（メタデータ） (2025-12-18T21:52:43Z)
• Multi-vessel Interaction-Aware Trajectory Prediction and Collision Risk Assessment [0.3277163122167433]
  衝突リスク解析を統合した多容器軌道予測のための変圧器ベースのフレームワークを提案する。 大規模実世界のAISデータ上での連成マルチコンテナメトリクスを用いたモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-09-01T23:38:01Z)
• Visual Trajectory Prediction of Vessels for Inland Navigation [42.81677042059531]
  本研究では,高度な物体検出手法を統合することで,映像に基づく容器追跡と予測の課題に対処する。 BoT-SORT、Deep OC-SORT、ByeTrackなどの追跡アルゴリズムの比較評価では、スムーズなトラジェクトリを提供する際のカルマンフィルタの堅牢性を強調している。 この結果は、内陸航法のためのカスタマイズされたデータセットとモデルの必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-05-01T15:31:15Z)
• STGDPM:Vessel Trajectory Prediction with Spatio-Temporal Graph Diffusion Probabilistic Model [0.0]
  船舶軌道予測は、海上交通の安全を確保し、衝突を避けるために重要な要素である。 船舶の挙動に固有の不確実性があるため、軌道予測システムは将来的な運動状態を正確にモデル化するためのマルチモーダルなアプローチを採用する必要がある。 本稿では, 容器の状態に依存する従来の集約型手法を置き換え, 動的グラフとしての相互作用のモデル化を提案する。
  論文  参考訳（メタデータ） (2025-03-11T05:50:27Z)
• Improved context-sensitive transformer model for inland vessel trajectory prediction [2.287415292857564]
  物理関連およびモデルに基づく船舶軌道予測は非常に正確であるが、検討中の船舶の具体的な知識が必要である。 機械学習に基づく軌道予測モデルは専門家の知識を必要としないが、大量のデータから抽出された暗黙の知識に依存している。 近年,血管軌跡予測のための深層学習法が提案されている。
  論文  参考訳（メタデータ） (2024-06-04T20:39:14Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)

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。