[论文解读] A Spatially and Temporally Attentive Joint Trajectory Prediction Framework for Modeling Vessel Intent

Jasmine Sekhon, Cody Fleming|arXiv (Cornell University)|Dec 18, 2019

Maritime Navigation and Safety参考文献 15被引用 13

一句话总结

本文提出了一种新颖的空间-时间注意力深度学习框架，仅使用位置数据，通过建模附近船舶之间的动态交互，预测船舶意图。通过引入可学习的船舶领域参数和交错注意力机制，该模型捕捉了复杂的空间-时间依赖关系，实现了准确的长期意图预测，并实现了对船舶领域等导航规则的数据驱动推断。

ABSTRACT

Ships, or vessels, often sail in and out of cluttered environments over the course of their trajectories. Safe navigation in such cluttered scenarios requires an accurate estimation of the intent of neighboring vessels and their effect on the self and vice-versa well into the future. In manned vessels, this is achieved by constant communication between people on board, nautical experience, and audio and visual signals. In this paper we propose a deep neural network based architecture to predict intent of neighboring vessels into the future for an unmanned vessel solely based on positional data.

研究动机与目标

• 提升自主水面航行器（ASVs）在港口等复杂环境中的意图预测能力。
• 解决标准LSTM在建模空间共位智能体之间交互方面的局限性。
• 直接从观测数据中推断隐含的导航规则（如船舶领域），捕捉航海经验而无需预设程序假设。
• 开发一种鲁棒且可泛化的模型，即使在随机权重初始化下，也能学习一致的空间交互模式。

提出的方法

• 该模型采用一种新颖的架构，结合LSTM与空间-时间注意力机制，根据相对位置、航向和距离动态关注相关船舶。
• 引入一个可学习的船舶领域参数S，其随相对方位角和航向（φ21）变化，使模型能够为相同距离但不同朝向的邻近船舶分配不同的注意力权重。
• 空间注意力机制与时间注意力机制交错设计，使模型能够基于邻近船舶相对于本船的空间相关性，加权其历史观测。
• 模型在AIS位置数据上端到端训练，学习预测未来轨迹和意图，无需依赖外部规则或标注的意图标签。
• 注意力机制使LSTM隐藏状态能够跨空间邻近船舶相互影响，从而建模轨迹规划中的相互依赖关系。
• 通过多次随机初始化验证框架，评估所学空间交互模式的鲁棒性与一致性。

实验结果

研究问题

• RQ1 仅使用位置数据，深度学习模型能否在复杂拥挤的海上环境中准确预测船舶的未来意图？
• RQ2 如何将序列模型扩展以捕捉多个共位自主智能体之间的空间交互？
• RQ3 数据驱动模型在多大程度上能直接从观测数据中推断隐含的导航规则（如船舶领域）？
• RQ4 该模型的注意力机制是否在不同训练运行中产生一致且可解释的空间交互模式？
• RQ5 该模型所学习的空间注意力是否能反映现实中的航行行为，如对迎面或交叉接近船舶的关注增加？

主要发现

• 该模型成功学习到一种空间-时间注意力表征，在复杂海上场景中显著提升了意图预测的准确性，优于标准LSTM。
• 所学习的船舶领域参数S在邻近船舶迎面接近时最高（120° ≤ φ21 < 180°），且相对方位角在±60°以内，表明对高碰撞风险场景的关注度更高。
• 模型对从右舷接近的船舶（60° ≤ φ21 < 120°）或正前方的船舶给予更强关注，反映了现实航行中的优先级。
• 尽管初始权重随机，该模型在五次训练运行中均收敛到一致的领域参数S值，证明了其鲁棒性与可复现性。
• 模型学习到，即使距离相等，位于本船后方且远离的船舶关注度较低，反映了其导航影响减弱。
• 该框架实现了船舶领域几何与交互规则的数据驱动推断，其结果可迁移至其他模型或海事自主系统中的安全关键应用。