物理信息化离线强化学习消除海运路由中的灾难性燃油浪费
人工智能
2026-03-19 v1 机器学习
机器人学
摘要
国际航运产生约全球温室气体排放的 3%，但航线路由仍主导于启发式方法。我们提出 PIER (Physics-Informed, Energy-efficient, Risk-aware routing)，一个离线强化学习框架，从基于历史船舶跟踪数据和海洋再分析产品校准的物理环境中学习燃油高效、安全感知的路由策略，无需在线模拟器。PIER 在 2023 年一年（共 7 条墨西哥湾航线，840 个 episode）的 AIS 数据上验证，相较于 great-circle 路由将平均 CO2 排放降低 10%。然而，PIER 的主要贡献在于消除灾难性燃油浪费：great-circle 路由在 4.8% 的航次中造成极端燃油消耗（>1.5 倍中位数）；PIER 将其降低至 0.5%，降低 9 倍。航次燃油方差降低 3.5 倍（p<0.001），bootstrap 95% 置信区间为均值节省 [2.9%, 15.7%]。部分验证表明，PIER 与观察到的 AIS 船舶行为一致，确认其符合最快实际航程，同时方差降低 23.1 倍。关键的是，PIER 无需预测：与 A* 路径优化其波浪保护在现实预测不确定性下退化 4.5 倍相比，PIER 仅使用局部观察即可保持恒定性能。该框架结合了物理信息化状态构建、演示增强的离线数据以及解耦的事后安全护盾，一种可迁移至野火疏散、飞机轨迹优化以及无地图地形自主导航的架构。
引用
@article{arxiv.2603.17319,
title = {Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing},
author = {Aniruddha Bora and Julie Chalfant and Chryssostomos Chryssostomidis},
journal= {arXiv preprint arXiv:2603.17319},
year = {2026}
}