NaviAIS：一种带有向量化车道先验的情景级船舶轨迹预测数据集和NaviLane预测框架

# NaviAIS：一个带有矢量化车道先验的场景级船舶轨迹预测数据集及NaviLane预测框架
来源：https://arxiv.org/html/2607.18887
袁桂，罗鸿辰，屈丽琦，付龙跃，王娇本文已提交至IEEE，可能被发表。版权可能会被转让而不另行通知，此后本版本可能不再可访问。所有作者均来自中国沈阳东北大学，邮编110819。通讯作者：王娇。

###### 摘要

在复杂海洋环境中进行船舶轨迹预测对于交通管理、碰撞风险预警、航线规划和自主导航至关重要。尽管基于AIS的学习方法取得了快速进展，但现有数据集通常以原始消息流或不规则时间序列的形式发布，存在采样率不一致、观测噪声大、坐标系统异构以及场景构建协议不统一等问题。此外，大多数公开的AIS资源缺乏对航道、水道几何形状和可航行区域约束的结构化表示，限制了可重复且环境感知的轨迹预测。为解决这些局限，我们引入了**NaviAIS**，一个用于船舶轨迹预测的标准化场景级AIS数据集。**NaviAIS**在统一的时间窗口和局部坐标系统内组织多船历史-未来轨迹，并进一步提供栅格化的可航行地图、矢量化车道先验、车道图谱和结构化地图表示。与现有的船舶轨迹预测数据集相比，**NaviAIS**同时支持矢量化车道、多场景覆盖、矢量化地图、开放访问性和已处理的轨迹。基于此数据集，我们提出了**NaviLane**，一个用于地图感知船舶轨迹预测的层次化宏动作预测框架。**NaviLane**首先执行轨迹-地图联合编码以获得统一的场景表示，然后使用离散的宏动作码本以粗到细的方式生成多模态轨迹候选。一个残差精化模块改善了局部几何和动态一致性，而一个基于世界模型的后果感知评估器进一步根据交互风险和环境影响对候选进行排序。在**NaviAIS**上的实验表明，**NaviLane**在单模态和多模态预测设置下均优于代表性基线，证明了结构化航行先验、层次化多模态生成和后果感知候选评估的有效性。

## I. 引言

随着全球海上运输的持续增长，船舶轨迹预测在海上交通管理、碰撞风险预警[14 (https://arxiv.org/html/2607.18887#bib.bib24)]、航线规划和自主导航中变得越来越重要。准确预测未来船舶运动对于理解船舶行为、提高智能海事系统的安全性和效率至关重要[18 (https://arxiv.org/html/2607.18887#bib.bib18), 41 (https://arxiv.org/html/2607.18887#bib.bib19)]。

见图1说明：该图展示了所提出数据集中单个航行场景的多层结构，包括船舶轨迹、车道图、矢量地图、栅格地图以及集成多源信息后获得的完整场景表示。通过以统一格式共同表示AIS轨迹、车道矢量、水陆栅格地图和地图边界，该数据集捕捉了船舶运动模式、航行约束和复杂的海洋地理环境，从而为地图感知的船舶轨迹预测提供了更丰富的场景上下文。

表I：不同船舶轨迹预测数据集的比较。

早期的船舶轨迹预测研究主要基于物理和运动学运动模型，如恒定速度模型、恒定转弯率模型和野本型动力学。随着自动识别系统（AIS）数据[32 (https://arxiv.org/html/2607.18887#bib.bib15), 34 (https://arxiv.org/html/2607.18887#bib.bib16)]的大规模积累，数据驱动方法逐渐成为主流，包括传统的机器学习方法以及最近的深度神经网络架构，如循环神经网络（RNNs）[42 (https://arxiv.org/html/2607.18887#bib.bib17), 31 (https://arxiv.org/html/2607.18887#bib.bib14), 12 (https://arxiv.org/html/2607.18887#bib.bib26)]、Transformer[39 (https://arxiv.org/html/2607.18887#bib.bib27)]和图神经网络（GNNs）[15 (https://arxiv.org/html/2607.18887#bib.bib12), 2 (https://arxiv.org/html/2607.18887#bib.bib13), 35 (https://arxiv.org/html/2607.18887#bib.bib25), 30 (https://arxiv.org/html/2607.18887#bib.bib28)]。尽管建模技术取得了快速进展，但船舶轨迹预测标准化数据资源的开发仍然滞后[4 (https://arxiv.org/html/2607.18887#bib.bib44), 37 (https://arxiv.org/html/2607.18887#bib.bib45)]。

从建模角度来看，许多现有的船舶轨迹预测方法仍然面临三个主要局限。首先，主要基于历史运动序列的方法通常缺乏统一的轨迹-地图表示，难以明确融入结构化的环境约束，如航道几何形状、车道拓扑和可航行区域边界。因此，其多模态候选在策略层面上组织较弱，尤其是在狭窄航道、弯曲水道和港口区域[31 (https://arxiv.org/html/2607.18887#bib.bib14), 12 (https://arxiv.org/html/2607.18887#bib.bib26), 39 (https://arxiv.org/html/2607.18887#bib.bib27), 35 (https://arxiv.org/html/2607.18887#bib.bib25), 30 (https://arxiv.org/html/2607.18887#bib.bib28)]。其次，即使能够生成合理的粗略未来模式，现有方法通常缺乏明确的精化机制来纠正局部几何和动态误差，例如终点漂移、曲率不匹配和运动不一致性。这限制了长期预测的准确性和物理合理性[9 (https://arxiv.org/html/2607.18887#bib.bib23), 44 (https://arxiv.org/html/2607.18887#bib.bib7), 36 (https://arxiv.org/html/2607.18887#bib.bib1), 7 (https://arxiv.org/html/2607.18887#bib.bib31)]。第三，最终候选选择通常由轨迹似然、意图得分或重建质量主导，而每个候选未来引起的交互后果及其与环境约束的兼容性并未以统一方式明确评估[9 (https://arxiv.org/html/2607.18887#bib.bib23), 44 (https://arxiv.org/html/2607.18887#bib.bib7), 36 (https://arxiv.org/html/2607.18887#bib.bib1)]。这些局限表明，高质量的船舶轨迹预测需要具备结构化多模态生成、显式局部精化机制和后果感知候选评估策略的统一轨迹-地图表示。

为克服这些局限，我们进一步提出了**NaviLane**，一个具有联合轨迹-地图建模的层次化宏动作预测框架。该框架首先从船舶运动历史、静态地图上下文和场景交互线索构建统一的场景表示。然后引入一个离散的宏动作码本来捕捉高层航行意图，允许模型首先选择合理的策略原型，然后根据选定的宏动作解码连续的未来轨迹。为进一步提高预测质量，一个残差精化模块在场景和宏动作条件下用于纠正局部几何和动态误差。最后，我们引入一个交互世界模型以及一个反事实风险（CFR）评估机制来评估不同候选未来引起的后果。具体来说，世界模型预测周围船舶的未来状态，而CFR根据每个候选轨迹的预期交互风险和环境影响进行评分，提供了一种超越纯模仿的候选选择原则性机制[10 (https://arxiv.org/html/2607.18887#bib.bib30), 7 (https://arxiv.org/html/2607.18887#bib.bib31)]。

大多数现有的AIS数据集以原始传感器流或不规则时间序列的形式发布[16 (https://arxiv.org/html/2607.18887#bib.bib20), 9 (https://arxiv.org/html/2607.18887#bib.bib23)]。这些数据通常在不同船舶和区域之间表现出不一致的报告频率，使得轨迹提取和时间对齐非常具有挑战性。此外，AIS数据通常包含噪声、异常值、缺失观测和定位误差，在用于基于学习的预测之前需要大量预处理。现有研究在轨迹分割规则、时间范围、坐标归一化方案和场景构建策略方面也存在显著差异。因此，不同工作中的实验设置常常不一致，使得公平比较和可重复性变得困难。另一个重要的局限性是现有AIS数据集通常不提供航行环境的显式结构化表示[17 (https://arxiv.org/html/2607.18887#bib.bib21)]，例如水道边界、车道中心线或可航行区域约束，而这些对于在复杂水道中建模船舶行为至关重要。

为解决这些问题，我们构建并发布了**NaviAIS**，一个用于船舶轨迹预测的标准化场景级AIS数据集，如图1所示。**NaviAIS**将每个样本组织为一个场景，包含统一时间窗口和标准化局部坐标系统内的多船轨迹。除了轨迹观测，**NaviAIS**还提供了矢量化车道先验，包括水/陆多边形、栅格化可航行掩码和车道中心线，从而能够显式建模环境几何和航行约束。该数据集涵盖了多种代表性环境，包括公海航线、内河和湖泊区域，并支持多智能体交互建模以及环境感知预测。如表I所总结，与现有的船舶轨迹预测数据集相比，**NaviAIS**通过共同支持矢量化车道、多场景覆盖、矢量化地图、开放访问性和已处理的轨迹，提供了更完整的场景级表示[9 (https://arxiv.org/html/2607.18887#bib.bib23)]。

本工作的主要贡献总结如下：

- • 我们构建并发布了**NaviAIS**，一个用于船舶轨迹预测的标准化场景级AIS数据集，包含矢量化车道先验和多样的航行环境。
- • 我们提出了一个层次化预测框架**NaviLane**，它集成了轨迹-地图联合编码、宏动作选择、条件解码、残差精化和基于世界模型的评估。
- • 我们引入了一个结构化预测流程，明确融入了航行车道先验和后果感知候选评估，提高了多模态覆盖、环境一致性和动态合理性。

## II. 相关工作

船舶轨迹预测已从经典的运动学模型演变为AIS驱动的学习方法。最近的研究探索了用于顺序运动建模的循环架构、用于多属性特征融合的基于注意力的网络、用于长程依赖建模的Transformer风格框架、用于拥挤海洋环境中交互感知预测的基于图的方法，以及多模态意图感知预测器[31 (https://arxiv.org/html/2607.18887#bib.bib14), 12 (https://arxiv.org/html/2607.18887#bib.bib26), 39 (https://arxiv.org/html/2607.18887#bib.bib27), 35 (https://arxiv.org/html/2607.18887#bib.bib25), 36 (https://arxiv.org/html/2607.18887#bib.bib1), 44 (https://arxiv.org/html/2607.18887#bib.bib7)]。同时，博弈论思想越来越多地被引入轨迹预测和交互规划中，因为它们显式地建模了多个智能体之间的相互依赖关系。代表性工作包括层次化博弈论规划、具有层次化博弈推理的基于Transformer的交互预测和规划，以及受纳什均衡启发的多模态轨迹预测[5 (https://arxiv.org/html/2607.18887#bib.bib46), 13 (https://arxiv.org/html/2607.18887#bib.bib47), 21 (https://arxiv.org/html/2607.18887#bib.bib48)]。尽管这些研究展示了结构化交互推理的价值，但它们主要针对道路交通场景开发。相比之下，我们的工作专注于基于AIS的海洋环境，并在一个统一的船舶轨迹预测框架中结合了结构化车道感知表示、层次化多模态生成、局部精化和后果感知候选评估。

## III. 方法

见图2说明：框架概览：所提出的NaviLane首先编码历史船舶轨迹、矢量化车道折线和栅格化地图先验，并通过一个场景交互Transformer进行融合。基于融合的场景上下文，一个世界模型预测周围智能体的未来，而一个宏动作锚定解码器以粗到细的方式生成多模态轨迹候选。最后，安全感知能量、地图约束以及选择器/重排序模块被联合用于对所有候选进行评分和排序，产生最终的top-\(K_{\mathrm{out}}\)轨迹和最佳top-1预测。

本节介绍一个层次化多模态船舶轨迹预测框架，称为**NaviLane**。给定历史轨迹和静态环境信息作为输入，所提出的框架显式建模多模态航行意图、轨迹动力学和环境交互，以生成高质量的未来预测。具体来说，首先将多源输入编码为统一的全局场景表示。然后，一个基于宏动作的多模态解码器生成多个粗略的候选轨迹，并通过条件序列建模并行进一步精化。如图2所示，最后采用一种结合基于学习的评分和基于规则的能量的混合评估策略，对候选轨迹进行层次化过滤和重新排序，得到最终预测。

形式上，设历史观测序列为\(\mathbf{X} = \{\mathbf{x}_t\}_{t=1}^{T_h}\)，预测时域为\(T\)，模型生成\(K_{\mathrm{macro}}\)个宏动作候选轨迹\(\{\mathbf{Y}_k\}_{k=1}^{K_{\mathrm{macro}}}\)，其中\(\mathbf{Y}_k \in \mathbb{R}^{T \times d}\)。在本工作中，我们设置\(K_{\mathrm{macro}} = 128\)并保留\(K_{\mathrm{out}} = 6\)个轨迹作为最终的多模态输出。通过层次化评分和排序从宏动作候选中选择最终的top-1预测：

\[
\mathbf{Y}^* = \mathbf{Y}_{k^*}, \qquad k^* = \arg\max_{k \in \{1, \dots, K_{\mathrm{macro}}\}} s_k,
\]
(1)

其中\(s_k\)表示第\(k\)个候选轨迹的综合得分。该框架的关键思想是通过多阶段建模逐步提高候选质量，同时保持多样性并增强物理合理性和安全性。