[論文レビュー] X-VORTEX: Spatio-Temporal Contrastive Learning for Wake Vortex Trajectory Forecasting

Zhan Qu, Michael Färber|arXiv (Cornell University)|Feb 13, 2026

Fluid Dynamics and Turbulent Flows被引用数 0

ひとこと要約

X-VORTEX は、ラベルなしの LiDAR シーケンスから物理認識の wake vortex 表現を学ぶ自己教師あり時空対照学習フレームワークを導入し、ラベルが限られた状態での中心 Localization の改善と短期軌道予測を可能にする。

ABSTRACT

Wake vortices are strong, coherent air turbulences created by aircraft, and they pose a major safety and capacity challenge for air traffic management. Tracking how vortices move, weaken, and dissipate over time from LiDAR measurements is still difficult because scans are sparse, vortex signatures fade as the flow breaks down under atmospheric turbulence and instabilities, and point-wise annotation is prohibitively expensive. Existing approaches largely treat each scan as an independent, fully supervised segmentation problem, which overlooks temporal structure and does not scale to the vast unlabeled archives collected in practice. We present X-VORTEX, a spatio-temporal contrastive learning framework grounded in Augmentation Overlap Theory that learns physics-aware representations from unlabeled LiDAR point cloud sequences. X-VORTEX addresses two core challenges: sensor sparsity and time-varying vortex dynamics. It constructs paired inputs from the same underlying flight event by combining a weakly perturbed sequence with a strongly augmented counterpart produced via temporal subsampling and spatial masking, encouraging the model to align representations across missing frames and partial observations. Architecturally, a time-distributed geometric encoder extracts per-scan features and a sequential aggregator models the evolving vortex state across variable-length sequences. We evaluate on a real-world dataset of over one million LiDAR scans. X-VORTEX achieves superior vortex center localization while using only 1% of the labeled data required by supervised baselines, and the learned representations support accurate trajectory forecasting.

研究の動機と目的

• 航空安全と容量管理のための wake vortex の正確な localization および短期軌道予測の動機付け。
• ラベルなし LiDAR シーケンスの大規模な活用による自己教師あり学習を通じた物理認識表現の獲得。
• センサーの疎の問題と時間発展する非剛性渦のダイナミクスに対処する堅牢な事前学習。
• ラベル効率の高い中心 localization と supervised ベースラインを上回る予測改善を実証。

提案手法

• Time-distributed geometric encoder（例：PointNet）は各 LiDAR フレームを処理して空間特徴を抽出する。
• Sequential aggregator（例：LSTM）は可変長シーケンスにわたる渦の進化をモデル化する。
• Two-view augmentation：弱ビューは小さな空間的揺らぎ、強ビューは時系列サブサンプリングと空間マスキングを伴う。
• InfoNCE 対照的目的関数で、同一シーケンスの二つのビューの表現を整合させつつ、他のシーケンスからのネガティブを使用する。
• Downstream heads: (i) Soft-center segmentation による center localization、(ii) シーケンス表現上の MLP 予測子による短期軌道予測。

実験結果

リサーチクエスチョン

• RQ1 ラベルなし wake vortex シーケンスからの時空対照学習は物理認識表現を生み出せるか。
• RQ2 自己教師付き事前学習モデルを用いた場合、正確な wake vortex center localization および短期予測にはどれくらいのラベルデータが必要か。
• RQ3 4D 点群フレームワークを用いて時系列コンテキストと几何学を組み込むことは、フレーム毎の手法より局所化と予測を改善するか。

主な発見

• X-VORTEX は、シーケンスレベル表現で航空機タイプ分類の線形探査精度が最大 72.03% に達し、フレームベースのベースラインを上回る。
• ラベルデータがわずか 1% の場合、X-VORTEX（PointNet）は中心 localization の RMSE を 9.15 m に達成し、最良の非自己教師ベースライン（YOLOv8）を 66.8% 改善。
• 全監督下での中心 localization RMSE は 5.15 m を達成し、競合手法を上回る。
• 短期予測では、X-VORTEX（PointNet）は t+1 で 19.99 m RMSE、t+2 で 22.06 m RMSE を達成し、運動学的ベースラインおよび Trajectory-Only LSTM を大幅に上回る。
• バックボーンを跨いでも、提案された事前学習はラベル効率と予測性能を改善し、PointNet が最も強い局所化と競争力のある予測結果を提供する。
• アブレーション研究は、時系列サブサンプリングの augmentation の利点と時空前提学習全体の貢献を示す。