論文の概要: Mix&Fix-Net: A Dual-Stage Trajectory Prediction Model for AIS and Vision-Derived Vessel Data

• arxiv url: http://arxiv.org/abs/2608.19580v1
• Date: Thu, 20 Aug 2026 02:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.437651
• Title: Mix&Fix-Net: A Dual-Stage Trajectory Prediction Model for AIS and Vision-Derived Vessel Data
• Title（参考訳）: Mix&Fix-Net:AISとVision-Derived Vesselデータのための2段階軌道予測モデル
• Abstract要約: 船舶軌道予測は海洋安全と事故防止に重要である。 既存の軌道予測モデルはAIS(Automatic Identification System)データに依存している。 小型船はAISを使わずに運用され、大きな監視ギャップを生じさせる。 2段混合器を用いた軌道予測モデルであるMix/Fix-Netを提案する。
• 参考スコア（独自算出の注目度）: 13.876236917728505
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vessel trajectory prediction is critical for maritime safety and accident prevention. While most existing trajectory prediction models rely on Automatic Identification System (AIS) data due to its precision and availability, small vessels mostly operate without AIS, resulting in a significant monitoring gap. To address this, we propose Mix&Fix-Net, a dual-stage mixer-based trajectory prediction model designed to handle vessel trajectory time-series data derived from both AIS and (non-AIS) vision data. Our architecture integrates a Primary Trajectory Predictor with a Residual Trajectory Adjuster, enabling more refined trajectory prediction. Additionally, we introduce a new video-based dataset derived from webcam streams, from which vessel trajectories are extracted to represent non-AIS data. Extensive evaluations on both AIS and non-AIS datasets across six metrics (mean squared error, mean absolute error, symmetric mean absolute percentage error, final displacement error, Frechet distance, and average Euclidean distance) demonstrate that Mix&Fix-Net consistently outperforms existing baselines across most metrics and datasets.
• Abstract（参考訳）: 船舶軌道予測は海洋安全と事故防止に重要である。 既存の軌道予測モデルの多くは精度と可用性のために自動識別システム(AIS)のデータに依存しているが、小型船はほとんどAISなしで運用されており、監視のギャップが大きくなっている。 そこで本研究では,AISと非AISの両方の視覚データから得られた船舶の時系列データを扱うために,二段混合器を用いた軌道予測モデルであるMix&Fix-Netを提案する。 我々のアーキテクチャでは、プライマリトラジェクトリ予測器と残留トラジェクトリ調整器を統合し、より洗練されたトラジェクトリ予測を可能にする。 さらに,非AISデータを表すために,血管軌跡を抽出するウェブカムストリームに基づく新しいビデオベースデータセットを提案する。 AISと非AISデータセットの合計評価(平均二乗誤差、平均絶対誤差、対称平均絶対パーセンテージ誤差、最終変位誤差、フレシェ距離、平均ユークリッド距離)は、Mix&Fix-Netが既存の基準線をほぼ上回っていることを示している。

関連論文リスト

• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
  STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。 このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:26:56Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• A Plug-and-Play Learning-based IMU Bias Factor for Robust Visual-Inertial Odometry [27.62788405443008]
  Inertial Prior Network (IPNet) を利用した新しいプラグアンドプレイモジュールを提案する。 IPNetは、特定のプラットフォームの動作特性を暗黙的にキャプチャすることで、IMUバイアスを推論する。 本研究では、まず、スライドウインドウアプローチを用いて生のIMUデータのみを用いてバイアスを直接推測する。
  論文  参考訳（メタデータ） (2025-03-16T14:45:19Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• ASTRA: A Scene-aware TRAnsformer-based model for trajectory prediction [15.624698974735654]
  ASTRA (A Scene-aware TRAnsformer based model for trajectory prediction) は軽量な歩行者軌道予測モデルである。 我々は、U-Netベースの特徴抽出器を用いて、その潜在ベクトル表現を用いて、シーン表現をキャプチャし、グラフ対応トランスフォーマーエンコーダを用いて、ソーシャルインタラクションをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-16T23:28:30Z)
• SSTP: Efficient Sample Selection for Trajectory Prediction [38.92588125424176]
  既存の大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。 本稿では,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。 実験の結果、SSTPはデータの半分しか使用せず、フルデータセットのトレーニングに匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-25T22:00:11Z)
• Incorporating Navigation Context into Inland Vessel Trajectory Prediction: A Gaussian Mixture Model and Transformer Approach [2.498836880652668]
  船舶の移動がフェアウェイ内で制限されている内陸輸送では、航行コンテキスト情報は不可欠である。 本研究では,多モード分布曲線を生成するためにAISと放電測定の融合データセットを適用した。 これらの分布特徴を組み込むことで予測精度が向上する。
  論文  参考訳（メタデータ） (2024-06-04T14:20:10Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)

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。