論文の概要: Context-Informed Ship Trajectory Prediction via Conditional Attention

• arxiv url: http://arxiv.org/abs/2607.27418v1
• Date: Wed, 29 Jul 2026 19:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.316352
• Title: Context-Informed Ship Trajectory Prediction via Conditional Attention
• Title（参考訳）: 条件付き注意による船舶軌道予測
• Abstract要約: 長期の船舶軌道予測は、海上安全と自律航行の基本的な能力である。 本研究では,条件生成タスクとして軌道予測を定式化する新しいエンコーダデコーダアーキテクチャであるConditional Informerを提案する。 実世界のデータの断続性に対処するために,センサフォールバック時の破滅的劣化を防止するためのモダリティマスキングトレーニング戦略を導入する。
• 参考スコア（独自算出の注目度）: 17.738453989249656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term ship trajectory prediction is a fundamental capability for maritime safety and autonomous navigation. While recent Transformer-based architectures have improved forecasting horizons, they predominantly rely on historical kinematic states, treating vessel motion as an isolated system. In reality, maritime navigation is profoundly modulated by extrinsic factors like weather and constrained by static vessel characteristics. Existing multimodal approaches fundamentally model the joint distribution over states and contexts, treating environmental variables as peer features rather than encoding the directional physical dependence of vessel dynamics on environmental conditions. In this work, we propose the Conditional Informer, a novel encoder-decoder architecture that formulates trajectory prediction as a conditional generation task. We employ a dedicated Conditional Attention mechanism where the vessel state explicitly queries environmental contexts through cross-attention, encoding the physical prior that weather modulates - but is not generated by - vessel dynamics. Furthermore, to address the intermittency of real-world data, we introduce a Modality Masking training strategy to prevent catastrophic degradation during sensor fallback. Extensive experiments on AIS and ERA5 data demonstrate that our approach outperforms kinematic and concatenation-based baselines by 15.4% in prediction accuracy when context is available. Crucially, Modality Masking prevents shortcut learning, reducing fallback error by nearly an order of magnitude compared to unconstrained models.
• Abstract（参考訳）: 長期の船舶軌道予測は、海上安全と自律航行の基本的な能力である。 トランスフォーマーをベースとした最近のアーキテクチャでは、予測水平線は改善されているが、それらは主に歴史的運動状態に依存しており、船体の動きを独立したシステムとして扱う。 実際には、海上航行は気象のような外生的な要因によって深く調節され、静的な船体特性によって制約される。 既存のマルチモーダルアプローチは、環境条件に対する船舶力学の方向性の物理的依存を符号化するよりも、環境変数をピア特徴として扱うことで、状態と環境に対する共同分布を根本的にモデル化する。 本研究では,条件生成タスクとして軌道予測を定式化する新しいエンコーダ・デコーダアーキテクチャであるConditional Informerを提案する。 本研究では, 船舶状態がクロスアテンションを通じて環境コンテキストを明示的にクエリし, 気象が変動するが, 容器ダイナミクスによって発生しない物理的事前を符号化する, 専用コンディショナルアテンション機構を用いる。 さらに、実世界のデータの断続性に対処するために、センサフォールバック時の破滅的な劣化を防止するためのモダリティマスキングトレーニング戦略を導入する。 AISおよびERA5データに対する大規模な実験により、我々のアプローチは、コンテキストが利用可能である場合の予測精度が15.4%向上することを示した。 重要なことは、Modality Maskingはショートカット学習を防ぎ、制約のないモデルと比較して、フォールバックエラーをほぼ1桁削減する。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• CmIVTP: Cross-modal Interaction-based Vessel Trajectory Prediction for Maritime Intelligence [8.119468130391292]
  そこで本稿では, 船舶力学と環境制約の複雑な相互作用をモデル化するための, クロスモーダル相互作用に基づく船舶軌道予測フレームワーク(CmIVTP)を提案する。 CmIVTPはマルチモーダル駆動型船舶軌道予測ベンチマークでより良い性能を実現する。
  論文  参考訳（メタデータ） (2026-05-26T04:14:35Z)
• Hierarchical Two-Stage Framework for Environment-Aware Long-Horizon Vessel Trajectory Prediction [30.034731404731634]
  本稿では,粗い長期予測器とグリッド対応短期予測器を組み合わせた階層型2段階フレームワークを提案する。 統合された環境モジュールは、表面電流、風ベクトル、顕著な波高を含む海洋パラメータを含む。 我々のフレームワークは、平均変位誤差(ADE)が25%、最終変位誤差(FDE)が17%上回っている。
  論文  参考訳（メタデータ） (2026-05-15T00:50:39Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• 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)
• Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
  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。
  論文  参考訳（メタデータ） (2025-05-22T15:09:25Z)
• DiffuTraj: A Stochastic Vessel Trajectory Prediction Approach via Guided Diffusion Process [23.42712306116432]
  船の操縦は、その固有の複雑さと不確定性によって特徴づけられ、船舶の軌道予測システムを必要とする。 従来の軌道予測法では, 容器運動の多モード性を表現するために潜伏変数を用いる。 我々は,不確実性から確実性への血管運動の遷移を明示的にシミュレートする。
  論文  参考訳（メタデータ） (2024-10-12T14:50:18Z)
• 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-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)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。