論文の概要: Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing

• arxiv url: http://arxiv.org/abs/2603.17319v1
• Date: Wed, 18 Mar 2026 03:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.498346
• Title: Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing
• Title（参考訳）: 物理インフォームドオフライン強化学習は海洋ルーティングにおける破滅的燃料廃棄物を除去する
• Authors: Aniruddha Bora, Julie Chalfant, Chryssostomos Chryssostomidis,
• Abstract要約: PIER (Physics-In, Energy- efficient, Risk-aware routing) は、物理校正された環境から燃料効率、安全に配慮したルーティングポリシーを学習する。 PIERは、大循環ルーティングと比較して平均CO2排出量を10%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: International shipping produces approximately 3% of global greenhouse gas emissions, yet voyage routing remains dominated by heuristic methods. We present PIER (Physics-Informed, Energy-efficient, Risk-aware routing), an offline reinforcement learning framework that learns fuel-efficient, safety-aware routing policies from physics-calibrated environments grounded in historical vessel tracking data and ocean reanalysis products, requiring no online simulator. Validated on one full year (2023) of AIS data across seven Gulf of Mexico routes (840 episodes per method), PIER reduces mean CO2 emissions by 10% relative to great-circle routing. However, PIER's primary contribution is eliminating catastrophic fuel waste: great-circle routing incurs extreme fuel consumption (>1.5x median) in 4.8% of voyages; PIER reduces this to 0.5%, a 9-fold reduction. Per-voyage fuel variance is 3.5x lower (p<0.001), with bootstrap 95% CI for mean savings [2.9%, 15.7%]. Partial validation against observed AIS vessel behavior confirms consistency with the fastest real transits while exhibiting 23.1x lower variance. Crucially, PIER is forecast-independent: unlike A* path optimization whose wave protection degrades 4.5x under realistic forecast uncertainty, PIER maintains constant performance using only local observations. The framework combines physics-informed state construction, demonstration-augmented offline data, and a decoupled post-hoc safety shield, an architecture that transfers to wildfire evacuation, aircraft trajectory optimization, and autonomous navigation in unmapped terrain.
• Abstract（参考訳）: 国際輸送は温室効果ガス排出量の約3%を生産しているが、航海経路はヒューリスティックな方法によって支配されている。 本稿では, 歴史的船舶追跡データと海洋再分析製品に基づく物理校正環境から, 燃料効率, 安全に配慮したルーティングポリシーを学習し, オンラインシミュレーターを必要としない, PIER(Physics-Informed, Energy- efficient, Risk-aware routing)を提案する。 メキシコ湾の7ルート(840エピソード)にわたるAISデータ(2023年)の1年間(2023年)に検証されたPIERは、大循環のルーティングと比較して平均CO2排出量を10%削減する。 しかし、PIERの主な貢献は破滅的な燃料廃棄物の除去であり、大循環経路は4.8%の航海で極端に燃料消費(中央値から1.5倍)を発生させ、PIERはこれを0.5%に減らし、9倍に減らした。 ボイアージあたりの燃料の分散は3.5倍(p<0.001)、ブートストラップ95%CIは平均貯蓄(2.9%、15.7%)である。 観測されたAIS容器の挙動に対する部分的検証は、23.1倍のばらつきを示しながら、最速の実際のトランジットとの整合性を確認する。 PIERは、現実的な予測の不確実性の下で波動保護が4.5倍に低下するA*パス最適化とは異なり、PIERは局所的な観測のみを使用して一定の性能を維持している。 このフレームワークは、物理学的なインフォームドステートの構築、デモ強化されたオフラインデータ、および山火事の避難、航空機軌道の最適化、無人地形での自律ナビゲーションに移行する分離されたポストホック安全シールドを組み合わせたものだ。

関連論文リスト

• Automated Road Crack Localization to Guide Highway Maintenance [49.52476995589485]
  本研究では,高速道路整備の指針となるオープンソースデータの可能性について検討する。 提案手法は空飛ぶ画像とOpenStreetMapをハイウェイクラックの局所化のための細いYOLOv11に統合する。 実世界の適用性を示すために,スイス相対高速き裂密度(RHCD)指数を算出した。
  論文  参考訳（メタデータ） (2026-01-21T13:33:58Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks [0.0]
  本稿では,AISデータのみを用いて移動船を分類する機械学習パイプラインを提案する。 我々は、バルト海のボルンホルム海峡をカバーするデンマーク海事局から8日間の歴史的AISを分析した。
  論文  参考訳（メタデータ） (2025-09-09T19:52:43Z)
• Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
  本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
  論文  参考訳（メタデータ） (2025-07-29T03:32:01Z)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for Human Trajectory Forecasting [0.0]
  ペデストリアンの対話的挙動をモデル化した残差グラフ畳み込みニューラルネットワーク(Res-GCNN)を提案する。 その結果、最終変位誤差(FDE)が0.65mに達すると、アートの状態を13.3%改善することが示された。 コードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2020-11-18T11:18:16Z)

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。