面向智能航道监管的基于语义-运动学耦合的物理信息驱动船舶轨迹预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Physics-informed vessel trajectory prediction via semantic-kinematic coupling for intelligent waterway oversight

　　

• •
  从原始船舶数据中提取显式行为语义用于意图建模。
• •
  提出了一种物理信息双流生成模型用于运动预测。
• •
  通过交叉融合将离散导航意图与连续运动学耦合。
• •
  通过可微积分器嵌入物理定律以实现运动学一致性。
• •
  在复杂内河航道中实现卓越的准确性和物理真实性。

引言

内河航道网络是高度受约束的导航环境，具有复杂的空间时间动力学和密集的船舶交互特征[1]。这种复杂性在关键基础设施瓶颈处尤为突出，如桥梁、狭窄航道和航道弯道，此处汇聚的交通流显著增加了碰撞风险[2]，[3]。因此，在这些安全关键领域运行对高度可靠的态势感知和主动风险评估提出了严格要求。目前，自动识别系统（AIS）是船舶交通监视的主要遥测来源，提供包括位置、速度和航向在内的运动学数据流[4]。然而，从数据可靠性角度来看，原始AIS数据固有的噪声、异步更新速率以及复杂内河环境中的严重数据稀疏性[5]，[6]。当直接输入传统数据驱动模型时，这些数据缺陷表现为双重挑战，如图1所示：语义差距和物理可靠性差距。这种捕捉意图和物理真实性的双重挑战严重阻碍了导航当局执行精确的数据驱动危害缓解并确保系统安全。

船舶轨迹预测方法通常可分为两大类：运动学和基于数据的方法[7]。虽然早期的运动学模型[8]，[9]提供了可靠的短期预测，但它们难以处理复杂的非线性船舶动力学。在丰富的AIS数据支持下，基于数据的方法如深度学习[10]已成为主流，利用时空模式显著提高准确性。然而，由于主动危害缓解需要的不仅仅是模式识别，仅依靠原始AIS遥测通过传统数据驱动模型仍然根本上是不够的[11]。这种不足源于两个关键差距：缺乏高层行为语义和缺乏低层物理约束。首先，在语义方面，原始AIS数据固有地缺乏对操纵意图和复杂船舶交互的显式表示。在拥挤航道中解读这些潜在意图对于风险评估是必不可少的[12]，[13]。由于缺乏对潜在因果机制的认识，纯经验方法难以建立稳健的预测器，在复杂场景中通常产生不准确的中长期预测[14]。其次，在物理方面，信号延迟和传输损失加剧了AIS轨迹固有的噪声和稀疏性。当标准深度学习模型在没有显式运动学约束的情况下使用这些退化的数据训练时，它们表现为黑箱，生成的轨迹可能在统计上是合理的，但在物理上是不可行的[15]。

在预测错误可能导致灾难性碰撞的安全关键领域中，这种物理不一致性严格来说是不可接受的。因此，为了克服这些经验限制并确保系统可靠性，一个更严格的框架必须将控制的物理原理作为归纳偏置嵌入到神经网络架构中[16]。但是，单独解决语义或物理差距对于复杂航道导航是不够的。最终挑战在于在统一架构中同时弥合这两个差距。为了实现这一点，理想的预测模型必须紧密集成高层操纵意图与严格的运动学约束，从而同时强制执行意图感知和物理可行性。

为了解决上述挑战并增强海事智能系统的可靠性，本文提出了一种新颖的物理信息框架，利用全局AIS遥测进行稳健的意图驱动轨迹预测和风险感知。具体来说，该框架首先从原始AIS轨迹中提取显式行为语义以构建统一的高保真状态表示。为了同时保证物理合理性和量化内在不确定性，核心预测模型采用了由物理信息神经网络（PINN）指导的双流条件变分自编码器（CVAE）。该模型将交互感知时空编码器与双流解码器耦合，以弥合语义和物理差距，提高概率可靠性和严格的物理合规性。解码器具有语义流，带有短语锚定嵌入以捕捉船舶意图，以及物理流，利用梯度解耦和可微积分层显式嵌入物理运动定律。基于这种意图感知和物理一致的建模，本文的主要贡献总结如下

• •
  我们提出了一种仅基于原始AIS遥测的意图驱动状态表示框架。通过提取行为语义和复杂船舶交互，该框架将低层运动学序列转换为语义丰富的表示，为评估海事风险提供了可靠的基础。
• •
  我们提出了一种用于意图驱动轨迹预测的物理信息双流CVAE架构。通过纳入梯度解耦和可微积分层，该模型显式嵌入了运动学定律，将生成性意图与物理一致性耦合，产生高度可解释和合理的轨迹。
• •
  在复杂内河航道的真实AIS数据集上的广泛评估证明了该框架的优越性。它在时空预测准确性和物理一致性方面显著优于基线方法，为安全关键环境中的主动危害缓解提供了高度可靠的工具。

本文其余部分组织如下：第2节回顾相关工作。第3节定义问题。第4节详细介绍提出的方法。第5节评估其性能，第6节总结全文。

章节摘要

相关工作

如图2所示，船舶轨迹预测经历了三个广泛的方法阶段。基于物理的方法依赖于运动学和动态模型，基于数据的方法直接从历史AIS数据中提取运动模式，多模态方法纳入了轨迹序列之外的辅助信息。为了突出当前限制，我们专注于单模态和多模态预测，展示我们的方法如何独特地仅使用原始AIS提取深层语义

定义和问题表述

在本节中，我们基于AIS数据构建意图驱动轨迹预测问题。如图3所示，在给定时间步$t$，船舶的联合状态定义为${\mathbf{s}}_t=[{\mathbf{p}}_t,{\mathbf{b}}_t]$，其中${\mathbf{p}}_t$表示直接从AIS报告中获取的物理运动学（例如，坐标、速度、航向），${\mathbf{b}}_t$封装了从原始AIS轨迹推断出的行为语义（例如，操纵、COLREGs合规性）。给定历史状态序列$\mathbf{X}=[{\mathbf{s}}_1,\dots ,{\mathbf{s}}_{T_o}]$，我们的目标是

概述

如图4所示，我们提出了一个框架来解决基于AIS的海事监视中复杂的船舶交互。我们的管道由三个核心组件组成。首先，提取AIS衍生的行为语义以捕捉内在可操纵性、空间拓扑和COLREGs合规交互。其次，基于CVAE的时空编码器对船舶的随机潜在意图进行建模。最后，由PINN指导的双流解码器解耦并集成这些离散

实验与讨论

本节详细介绍了实验框架，包括数据集、平台、基线和指标。我们通过定量和定性比较评估了我们的方法与竞争方法的性能。消融研究验证了架构的关键组件。最后，我们提供了对我们方法更广泛影响的讨论，以及其当前限制。

结论

在这项工作中，我们提出了一种新颖的船舶轨迹预测框架，明确弥合了高层导航意图和低层运动学约束之间的差距。为了克服传统数据驱动方法固有的语义模糊性和物理不合规性，我们的方法独特地将显式行为语义集成到由物理信息神经网络指导的双流条件变分自编码器中。这种架构创新确保了

CRediT作者贡献声明

Yuxu Lu：写作 – 审阅与编辑，写作 – 原稿，软件，方法论。Mengwei Bao：写作 – 审阅与编辑，写作 – 原稿，软件，方法论。Congcong Zhao：写作 – 审阅与编辑，软件，方法论。Dong Yang：验证，监督，方法论。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报道的工作。

致谢

本工作部分由香港特别行政区研究资助局在资助PolyU 15225325下支持。

Yuxu Lu|Mengwei Bao|Congcong Zhao|Dong Yang