用于船舶轨迹预测的物理信息神经网络：通过有限差分学习时间离散化运动学动力学
机器学习
2025-06-17 v1 人工智能
摘要
准确的船舶轨迹预测对航行安全、航线优化、交通管理、搜救行动和自主导航至关重要。传统的数据驱动模型缺乏真实世界的物理约束，导致预测结果违背船舶运动动力学，例如在数据有限或存在噪声的场景中，因外部因素而出现突然的航向变化或速度变化。为解决这一局限性，我们提出了一种物理信息神经网络（PINN）方法用于轨迹预测，通过一阶和二阶有限差分物理损失函数将简化的船舶运动运动学模型集成到神经网络训练过程中。该损失函数使用一阶前向欧拉方法离散化，采用 Heun 二阶近似，并通过基于泰勒级数展开的中点近似进行细化，通过惩罚偏离预期运动学行为来确保对基本物理原理的忠实性。我们使用涵盖多样化海洋条件的真实 AIS 数据集评估了 PINN，并将其与最先进的模型进行了比较。结果表明，所提出的方法将平均位移误差最多降低了 32%，同时保持了物理一致性。这些结果增强了模型的可靠性和对关键任务海洋活动的遵守性，其中精度转化为更好的海洋态势感知。
引用
@article{arxiv.2506.12029,
title = {Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences},
author = {Md Mahbub Alam and Amilcar Soares and José F. Rodrigues-Jr and Gabriel Spadon},
journal= {arXiv preprint arXiv:2506.12029},
year = {2025}
}