FlowATC: 通过Flow Matching进行飞机轨迹预测

# FlowATC：基于流匹配的飞机轨迹预测  
来源：https://arxiv.org/html/2609.16528  
Alexandre M. Bayen  
注：教授，电气工程与计算机科学系，加州大学伯克利分校。  
隶属：加州大学伯克利分校，伯克利，CA 94720，美国  

###### 摘要  
构建精确的下一代空中交通管制决策支持工具需要鲁棒的轨迹预测模型。我们提出了一种流匹配架构，仅通过历史飞机轨迹进行训练，无需航线标签或航图监督。该模型在旧金山湾区采集的115万条广播式自动相关监视轨迹窗口数据上进行训练，能够生成与历史交通流高度匹配的飞机轨迹分布，并重现旧金山机场周边已知的空域结构，例如SFO公布的NIITE FOUR离场程序形状。  
本模型直接在原始、不规则的ADS-B采样间隔上训练。轨迹预测被转化为序列修复任务，采用块因果Transformer，通过条件流匹配或去噪扩散概率模型对基于观测历史状态的未来状态进行去噪。我们将架构与匀速模型、确定性长短期记忆网络及条件变分自编码器基线进行比较。在参数量匹配的情况下，条件流匹配模型在最小平均位移误差@20指标上比去噪扩散概率模型提升11–26%，且两种生成目标均比条件变分自编码器基线提升31–41%。进一步分析表明，误差随预测时域增加平滑衰减，且架构在重新训练于时间降采样数据流时仍保持有效性。最后，我们采样K个独立补全结果，生成空间概率占用估计，可作为下游冲突风险评估的输入。  

## 术语表  
Xmathbf{X}=轨迹窗口，T×FT×F数组的ADS-B采样  
Xobsmathbf{X}^{text{obs}}=观测前缀，前TobsT_{text{obs}}步  
Xfutmathbf{X}^{text{fut}}=未来后缀，待预测的TfutT_{text{fut}}步  
TT=总序列长度  
FF=每步特征数  
φ,λphi,lambda=大地纬度与经度  
dd=Transformer隐藏维度  
uθu_{theta}=CFM速度场网络  
pi=(xi,yip_{i}=(x_{i},y_{i})=轨迹第ii步的横向位置  
KK=最佳-of-KK评估中的采样数  
minADE@KminADE@K=取K个采样的最小平均位移误差，单位：米  
minFDE@KminFDE@K=取K个采样的最小最终位移误差，单位：米  
NLL@nNLL@n=第n步未来状态的核密度估计负对数似然  

## 1 引言  
低空空中交通管制依赖精确的短期飞机轨迹预测以维持安全间隔。广播式自动相关监视数据在全国空域系统中提供持续的位置更新，但预测飞机未来两分钟的位置仍然困难。一架在标准旧金山到场航线上的飞机可能左转或继续直飞，这取决于跑道分配和交通排序，而这些仅从位置数据无法判断。因此预测本质上是多模态的，即单一观测历史可能对应多个物理上合理的未来状态或模式。  
在实际操作中，关键的不仅是飞机将出现在何处，更在于该位置发生冲突的概率，这要求预测器返回未来状态的完整分布而非单一估计点。  
图像合成与机器人运动规划领域近期进展所依托的生成建模范式，可自然迁移至连续轨迹数据处理。去噪扩散概率模型通过学习逆转马尔可夫加噪链，并结合去噪扩散隐式模型采样器，能在少量步骤内生成高质量样本。条件流匹配是更直接的替代方案，它通过回归速度场将高斯噪声沿直线路径传输至数据，提供更简洁的训练目标且需更少的积分步骤。两者均生成样本而非点估计。  
推理时生成K个独立样本可得到未来位置分布，即使模型仅基于单一输入模态，该分布也能覆盖多模态的合理飞机状态空间。Transformer架构通过自注意力将数据表示为一组耦合的标记，这种标记化视角对轨迹预测具有双重吸引力：其灵活性可容纳异构输入（如位置、时间增量，未来可加入管制语音或气象场作为额外标记），且在现代硬件上运行高效。关键是扩散Transformer表明，通过自适应层归一化注入生成步骤的Transformer主干是优秀的去噪器。  
我们正利用这种协同效应：扩散Transformer风格的主干能无缝衔接DDPM与CFM，将轨迹预测构建为标记级修复任务。  

### 相关工作  
经典预测方法至少可分为四类：  
- **运动学模型**（如匀速/恒定转弯）基于运动假设推进最后观测状态，可解释性强且速度快，但仅生成确定性预测且未融合周边空域信息。我们采用匀速模型作为下界，因其能为这类预测任务的误差量级提供合理估计。  
- **确定性神经模型**（通常为LSTM/门控循环单元编码器-解码器或Transformer回归器）学习数据驱动动态，但仍对每个查询仅输出一条轨迹，忽略了安全所需的关键不确定性。  
- **直接多模态预测器**通过解码固定数量的轨迹假设实现多模态性。例如ASCENT使用Transformer编码器与可学习模式查询，在非塔台终端空域预测多条三维未来轨迹及模式分数，在TrajAir基准测试中展现优异性能。但这类方法通过有限显式假设集而非连续条件分布采样来表征多模态性。  
- **概率生成模型**输出分布：条件变分自编码器（如Trajectron++）是多模态轨迹预测的常用概率基线，通过采样潜变量产生多样未来。自动驾驶领域近期出现的扩散预测器已成为CVAE的强有力替代方案，通过迭代去噪噪声样本生成分布内数据，为预测任务提供概率化方法。  
扩散技术已直接应用于飞机轨迹预测：Yin等人将飞机历史与表征意图和环境条件的上下文信息结合于扩散解码器；GooDFlight先估计目标位置，再通过目标引导扩散解码器生成多样轨迹。在航空航天领域，Briden等人将扩散应用于航天器下降规划，将轨迹解构建为可组合的概率密度函数；我们的研究与其互补，聚焦于从监视观测中概率预测民航飞机，其机动结构受管制程序而非道路几何约束。  
近期扩散模型也被广泛应用于机器人运动规划：Janner等人展示了可通过奖励函数引导的迭代去噪生成完整动作轨迹。在生成建模表述上最接近本工作的是Figuet等人，他们将条件流匹配应用于瑞士自由航线空域FL195以上航路交通的短期轨迹预测，采用以最后观测状态归一化的飞机中心坐标系，绝对位置作为显式8维上下文向量提供。ADS-B被重采样为均匀1Hz网格。  
本研究在四个维度上形成互补：1) 面向低空终端空域，公开程序决定机动结构且交通混合商业与通用航空；2) 使用原始不规则ADS-B采样率预测约128秒时域；3) 用单一扩散Transformer替代编码器-解码器对，通过拼接干净与噪声标记实现序列修复；4) 在三种模型规模下对比条件流匹配与CVAE、DDPM的等容量性能。  
我们的创新贡献包括：  
1. 提出一种拼接观测与噪声标记、采用块因果自注意力和时间条件化自适应层归一化的序列修复架构，使扩散Transformer无需中间编码器即可完成轨迹补全。  
2. 在相同主干上对比匀速、确定性LSTM、CVAE（Trajectron++）基线与DDPM、条件流匹配变体，证明条件流匹配在等参数量下显著提升精度。  
3. 表征操作灵活性：时域平滑衰减、低速率流重训练、训练时域外推及推理成本。  
4. 证明FlowATC无需航图监督即可恢复湾区空域结构，且输出分布准确：在空域分支点复现实际飞行机动分布，并为每架飞机提供近似校准的未来机动概率分布。  

## 2 方法论  
**图1注**：本研究使用的ADS-B采集地理覆盖范围。虚线圆圈显示以旧金山湾（北纬37.75°，西经122.25°，红点）为中心的60海里半径地理围栏。黑点标注本研究涉及的机场。轨迹表示所用的笛卡尔坐标系以SFO为中心。  

### 2.1 飞机轨迹数据  
ADS-B是协同监视技术，飞机定期广播自身状态：身份、位置、高度、速度和垂直速率，主要来源于机载全球导航卫星系统。广播被密集地面站网络接收并通过公共源聚合，使其成为繁忙终端空域的高覆盖率低成本轨迹数据源。我们通过ADS-B LOL实时源的原生API连续采集数据，查询半径60海里、以旧金山湾为中心的圆形区域内所有飞机状态，每2秒记录一次。  
采集持续12天，获得2151.5万条原始状态向量。数据集覆盖湾区混合交通：大型商用飞机（ICAO类别A3，占41.8%）、轻型通用航空（A1，32.1%）、重型飞机如B747/A380（A5，10.8%）及其他轻型交通（15.3%）。  

### 2.2 轨迹处理  
原始ADS-B状态向量被分割为连续航段，并加窗为86点序列。每个窗口分为43点观测前缀和43点待预测未来后缀。选择2分钟历史与预测时域源于飞行员讨论，2分钟前瞻是操作相关时域。对于机动预测，43点半窗平均跨度约128秒。  
我们将大地坐标投影至以SFO为中心的局部切平面笛卡尔坐标系，生成6维特征向量（x,y,z,vx,vy,vz），单位均为米或米/秒。由于绝对笛卡尔坐标编码地理位置，模型隐式学习位置特异性结构（如y≈-15km的西南向飞机处于SFO最终进近阶段）。每特征使用训练集统计量独立进行z分数标准化。我们未重采样至固定网格，而是通过可学习时间增量嵌入将原始不规则ADS-B时序直接暴露给网络。  

## 3 评估  
飞机轨迹分布预测在空中交通管理文献中近期获得关注，生成建模方法正逐步涌现。为捕捉轨迹内在多模态特性（即某点对应不同可接受机动），这种概率视角至关重要但实践中难以评估。  
基于Salzmann等人的Trajectron++，我们选择在最佳-of-K采样下评估平均/最终位移误差与核密度估计负对数似然。  

### 3.1 平均与最终位移误差  
设pn=(xn,yn)∈R²为未来第n步的水平笛卡尔位置。由于垂直轴方差次于水平变化，我们选择计算水平误差。