論文の概要: Probabilistic Ship Trajectory Forecasting using Transformer Models on AIS Data

• arxiv url: http://arxiv.org/abs/2610.13557v1
• Date: Fri, 09 Oct 2026 13:13:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.588489
• Title: Probabilistic Ship Trajectory Forecasting using Transformer Models on AIS Data
• Title（参考訳）: AISデータを用いた変圧器モデルを用いた確率的船舶軌道予測
• Abstract要約: 軌道予測により、衝突回避などのサブルーチンが状況を評価し、時間に応じて反応することができる。 本研究では, 拘束水中の表面容器の軌道予測のための変圧器モデルと変圧器モデルについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anticipation of vessel trajectories is an essential task when navigating at sea. This applies to both human navigators and autonomous surface vessels. Trajectory forecasting enables sub-routines such as collision avoidance to assess the situation and react accordingly in time. This paper investigates Transformer and Performer models for trajectory prediction of surface vessels in confined waters. Using widely available position data from the Automatic Identification System (AIS), candidate models are trained and evaluated. Historical information on how other vessels have moved in the local area surrounding each agent is conveyed using positional heat maps. The heat maps are generated using Kernel Density Estimation (KDE) and encoded with a Convolutional Neural Network (CNN) before entering the Transformer models. The models are trained with quantile loss to efficiently obtain a model-aware prediction interval, as this is crucial for timely collision avoidance. The proposed model architectures are shown to greatly outperform previous work while the inclusion of local heat maps enables the prediction of vessel movement that is not otherwise indicated from the previous positions.
• Abstract（参考訳）: 船舶軌道の予測は、海上航行において必須の課題である。 これは、人間のナビゲーターと自律的な表面血管の両方に適用できる。 軌道予測は衝突回避などのサブルーチンが状況を評価し、時間に応じて反応することを可能にする。 本研究では, 拘束水中の表面容器の軌道予測のための変圧器モデルと変圧器モデルについて検討する。 自動識別システム(AIS)から広く利用可能な位置情報を用いて、候補モデルを訓練し、評価する。 それぞれのエージェントを取り囲む地域において、他の船がどのように移動したかについての歴史的情報は、位置熱マップを用いて伝達される。 熱マップはカーネル密度推定(KDE)を使用して生成され、Transformerモデルに入る前に畳み込みニューラルネットワーク(CNN)で符号化される。 モデルは、時間的衝突回避に不可欠であるため、モデル認識予測間隔を効率的に得るために、量子損失を訓練する。 提案したモデル構造は, 局所熱マップを組み込むことで, 従来の位置から示されていない容器の動きを予測できる一方で, 従来よりも大幅に優れていた。

関連論文リスト

• 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)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• LOPR: Latent Occupancy PRediction using Generative Models [28.49346874213506]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)

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。