[论文解读] 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 0

一句话总结

X-VORTEX 引入自监督时空对比框架，从未标记的 LiDAR 序列中学习物理感知的尾涡表示，实现中心定位改进与在有限标签下的短期轨迹预测。

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.

研究动机与目标

• 为航空安全与容量管理推动更准确的尾涡定位与短期轨迹预测。
• 利用大量未标记的 LiDAR 序列通过自监督学习学习物理感知表示。
• 通过鲁棒的预训练应对传感器稀疏性与非刚性、随时间演变的涡旋动力学。
• 展示标签高效的中心定位与预测，相较有监督基线的改进。

提出的方法

• 时序分布几何编码器（如 PointNet）对每个 LiDAR 帧进行处理，提取空间特征。
• 序列聚合器（如 LSTM）对不同长度的序列中的涡旋演化进行建模。
• 双视图增强：弱视图带少量空间抖动，强视图进行时间抽样和空间掩蔽。
• InfoNCE 对比目标：在同一序列的两个视图之间对齐表示，同时使用来自其他序列的负样本。
• 下游头部： (i) 软中心分割用于中心定位，(ii) 对序列表示的 MLP 预测器用于短期轨迹预测。

实验结果

研究问题

• RQ1 未标记尾涡序列的时空对比学习能否产生物理感知表示？
• RQ2 在进行自监督预训练后，进行准确的尾涡中心定位和短期预测需要多少标签数据？
• RQ3 通过 4D 点云框架引入时间上下文与几何信息是否能在定位与预测方面优于逐帧方法？

主要发现

• X-VORTEX 在序列级表示下对飞机类型分类的线性探测准确率高达 72.03%，超过基于帧的基线。
• 仅 1% 标签数据时，X-VORTEX（PointNet）在中心定位上达到 9.15 m RMSE，相较最佳非自监督基线（YOLOv8）提升 66.8%。
• 在全监督下，X-VORTEX 在中心定位上的 RMSE 为 5.15 m，优于竞争方法。
• 在短期预测方面，X-VORTEX（PointNet）在 t+1 的 RMSE 为 19.99 m、t+2 为 22.06 m，显著优于运动学基线和仅轨迹的 LSTM。
• 在不同骨干网络中，所提出的预训练提升了标签效率和预测性能，PointNet 在定位方面最强，预测方面具有竞争力。
• 消融研究显示时序子采样增强的益处以及时空预训练的总体贡献。