🤖 AI

AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture

本文介绍了 AeroCast，这是一个结合了 Transformer 编码器与混合密度网络（Mixture Density Networks）的实时概率框架，用于预测非合作空中障碍物的多模态三维轨迹，与现有的确定性及循环神经网络方法相比，该框架显著降低了位移误差并实现了更优的分布准确性。

原作者： Syed Izzat Ullah, Jose Baca

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Syed Izzat Ullah, Jose Baca

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在驾驶一架无人机，飞在一个充满了各种飞行物的繁忙空中。其中一些是“友好”的，会告知它们要去哪里（比如带有无线电功能的无人机）。但另一些则是“非合作”的：它们可能是野鸟、失控的无人机，或者是随风飘荡的垃圾。这些物体是不可预测的，不会发送信号，而且可能会突然改变方向。

为了避免碰撞，你的无人机需要预测这些不可预测物体在未来几秒钟内的位置。这正是 AeroCast 所解决的问题。

以下是论文对该技术的解释，通过简单的概念进行了拆解：

1. 问题所在：为什么旧方法会失败

把预测一只鸟的路径想象成试图猜测一场国际象棋比赛中的下一步棋。

旧方法（基于物理学的）： 这些方法就像是试图根据一套僵化的规则手册来猜测走法（例如：“鸟总是直线飞行”）。但鸟并不遵循规则手册；它们会左右摇摆、俯冲和转向。这些方法过于死板，会被甩在身后。
旧方法（循环神经网络 AI）： 这些方法就像是一个字一个字地读故事。为了理解句子的结尾，你必须记住之前出现的每一个字。如果鸟在故事开始时突然转向，AI 到达结尾时可能已经忘记了这个线索。此外，这些旧的 AI 模型通常只给你一个单一的猜测（例如：“鸟会在这里”）。但如果鸟也可能去那里呢？单一的猜测无法告诉你的无人机它应该有多紧张。

2. 解决方案：AeroCast

研究人员构建了一个名为 AeroCast 的新系统。你可以把它想象成一个超级聪明的飞行障碍物天气预报员。

“Transformer”大脑： 与其一个字一个字地读故事，AeroCast 会一次性观察障碍物运动的整个历史。这就像是在看一段完整的电影剪辑，而不是单个画面。这使得它能够更快、更准确地识别模式（例如：“这只鸟在俯冲后总是向左倾斜”）。
“混合密度”水晶球： AeroCast 不仅仅给出一个单一的猜测，它会给你一个可能性的云团。想象一下它说：“有 60% 的概率鸟会直行，30% 的概率向左转，10% 的概率向下俯冲。”这有助于无人机进行安全规划，因为它知道危险区域在哪里，而不仅仅是一个特定的点。

3. 它是如何学习的（训练过程）

为了教导 AeroCast，研究人员并没有仅仅使用真实的鸟类（因为捕捉和完美测量真实鸟类非常困难）。他们创建了一个巨大的“训练健身房”，包含两类数据：

真实飞行数据： 他们在配备了特殊摄像头的房间里（就像一个高科技健身房）驾驶微型无人机，以记录真实的、不规则的运动。
合成飞行数据： 他们使用计算机程序生成了数以千计的虚拟飞行路径，这些路径看起来与真实的路径非常相似，填补了真实数据缺失的部分。

他们使用一种特殊的“评分卡”来教授 AI。如果 AI 猜中了正确的路径，它会获得高分。但他们还增加了一条规则：如果 AI 太过自信且猜错了，它会受到惩罚。这迫使 AI 在面对不确定性时保持诚实。

4. 结果：效果有多好？

研究人员将 AeroCast 与四种流行的 AI 方法进行了对比测试，使用了“五秒钟”的预测视野（即观察未来五秒钟的情况）。

准确度： AeroCast 比排名第二的方法准确了约 50%。如果其他方法的误差是 20 厘米，那么 AeroCast 的误差仅为 10 厘米。
可靠性： 它是预测“可能性范围”表现最好的模型。它知道什么时候自己不确定，什么时候很确定。
速度： 它速度极快。它可以在 0.1 毫秒内做出一次预测。这足以在无人机的计算机上实时运行，让无人机在每秒 100 次的频率下进行避障。

5. 为什么它能奏效？（秘密配方）

研究人员进行了一次“口味测试”（消融实验），以观察哪些部分的配方最重要：

速度至关重要： 向 AI 提供障碍物的当前速度是单一最重要的因素。了解某个物体移动得有多快，有助于 AI 预测它下一秒的位置。
大容量大脑： 一个更大、更复杂的模型比小型模型效果更好。
时间顺序： AI 需要知道事件的先后顺序（发生了什么在前，什么在后）。如果没有这个，它在处理长时间跨度时会感到困惑。

总结

AeroCast 是一种全新的、超快速的 AI 系统，可以帮助无人机预测不可预测的飞行物体（如鸟类或失控的无人机）的位置。它不是猜测单一路径，而是预测一条“可能的路径云”，从而帮助无人机以比以往方法更高的准确度避开碰撞。它通过结合真实和计算机生成的飞行数据进行了测试，并证明了它是目前测试过的最准确、最可靠的方法。

技术摘要：AeroCast

问题陈述

在共享空域中运行的自主无人飞行器（UAV）面临着一个关键的安全挑战：预测非合作障碍物（例如鸟类、不受控无人机、碎片）的未来位置，以便在碰撞变得不可避免之前执行规避动作。与共享意图的协作系统不同，非合作智能体表现出多模态运动，确定性预测器无法对其进行有效建模。

现有解决方案存在以下特定局限性：

基于物理的估计器（例如卡尔曼滤波器、IMM）依赖于预定义的运动模型（恒定速度、协调转弯），这些模型无法捕捉非合作智能体异常且剧烈的机动行为。
基于循环学习的方法（例如 GRU、LSTM）产生确定性的点预测，无法向下游规划器提供关于置信度或行为分支点的分布信息。此外，它们的序列处理机制在捕捉机动启动的长程运动前兆方面存在瓶颈。
基于 Transformer 的方法尚未专门应用于针对校准不确定性的多模态概率输出头的非合作空中障碍物预测。

方法论：AeroCast 架构

本文提出了 AeroCast，这是一个概率轨迹预测框架，旨在预测未来 3D 位移的逐时间步高斯混合分布。

1. 输入表示

连续位移编码：模型并非输入原始坐标，而是输入连续位移（ $\delta_t = x_{t+1} - x_t$ ）并拼接速度（ $v_t$ ）。这提供了平移不变性以及适用于高斯混合建模的有界输入分布。
归一化：位移通过缩放常数（ $\lambda = 2.5$ m）进行归一化，以将输入质量集中在 $[-1, 1]^3$ 范围内。

2. 模型架构

编码器：一个 Pre-LN Transformer 编码器（4 层，512 个隐藏维度，8 个注意力头）处理 2 秒的观测历史（20 个时间步，频率为 10 Hz）。自注意力机制允许每个时间步直接访问其他所有时间步（ $O(1)$ 信息路径），从而有助于捕捉全局机动的前兆。
输出头：一个**混合密度网络（MDN）**头用于预测具有 $K=5$ 个分量的混合高斯模型（GMM）参数。它输出未来 5 秒时界内（50 个时间步）3D 位移的混合权重（ $\pi$ ）、均值（ $\mu$ ）和对角协方差（ $\Sigma$ ）。
推理：在推理阶段，选择主导的混合分量，并通过累积求和重建 3D 轨迹。

3. 训练目标与校准

损失函数：模型通过最大化观测位移的负对数似然（NLL）进行训练。为了防止模式退化（即分量过度扩散以覆盖数据而未能锚定在真实值上），对主导分量（ $k^*$ ）应用了一个微小的辅助均方误差（MSE）项。
Sigma 底限：对预测的标准差实施了方差底限（ $\sigma_{min} = 0.05$ m），使其与传感器噪声水平相匹配，以防止退化的点质量预测。
课程学习：采用序列长度调度策略，在训练早期逐渐增加有效观测长度，以稳定收敛。

核心贡献

概率 Transformer-MDN 预测器：AeroCast 是第一个将 Pre-LN Transformer 编码器与 MDN 头结合，专门用于非合作 3D 空中障碍物的框架，与强力的循环基准模型相比，实现了平均位移误差（ADE）和最终位移误差（FDE）降低 50%。
平移不变性编码与校准协议：使用连续位移编码确保了平移不变性。训练协议（NLL + 模式锚定 MSE + sigma 底限）防止了方差坍缩，并产生了可通过预期校准误差（ECE）评估的不确定性估计。
全面的基准测试：本文引入了一个由 113 架四旋翼飞行器在九种运动类别（如螺旋线、星形、随机）中产生的 90,116 个滑动窗口序列组成的实测与合成混合数据集。它提供了涵盖 ADE、FDE、NLL、CRPS 和 ECE 的标准化评估。
实时性能：推理完成时间为每样本 0.1 ms，兼容 100 Hz 的机载部署。

实验结果

在保持参数预算一致的情况下，在留出验证集上针对四个基准模型（GRU-MDN, LSTM-MDN, BiGRU-MDN, MLP-MDN）进行了评估：

准确性：AeroCast 实现了 0.055 m 的 ADE 和 0.099 m 的 FDE，相对于最强的基准模型（BiGRU-MDN: ADE 0.111 m, FDE 0.190 m）减少了约 50% 的误差。
概率质量：它记录了最低的负对数似然（-13.28）和连续概率排名得分（CRPS, 0.049），表明其具有卓越的分布准确性和校准度。
时界分析：在 2 秒之后，AeroCast 与基准模型之间的性能差距进一步扩大，这表明 Transformer 的全局注意力比序列循环模型能更好地捕捉长程运动特征。
消融研究发现：
- 速度输入：移除速度特征会导致校准性能出现最严重的下降（ECE 从 0.647 上升至 0.788），凸显了其在区分慢速与快速移动障碍物中的关键作用。
- 位置编码：对于长时界连贯性至关重要；移除后 FDE 增加了四倍（0.099 m 变为 0.410 m）。
- 模型容量：更大的模型显著提高了主导模态的几何精度。

重要性与局限性

论文声称 AeroCast 通过显式建模多模态不确定性，为共享空域中的风险感知规划提供了一个鲁棒的实时解决方案。该框架解决了 3D 自由飞行动力学的特定挑战，这与地面领域约束（道路拓扑、社会规范）有着本质区别。

作者对其声明保持了审慎的范围：

范围：评估仅限于单障碍物场景以及特定的室内四旋翼飞行数据集（辅以合成数据）。
局限性：尚未测试其在室外环境、大型飞行器或生物智能体中的泛化能力。此外，未涉及多障碍物交互问题。
未来工作：作者指出，将该技术扩展到多智能体设置、针对特定智能体的在线自适应以及与收缩时界规划器的集成是必要的后续步骤。

这项工作为 3D 非合作空中障碍物预测建立了一个新的基准，证明了基于 Transformer 的概率架构在捕捉复杂、多模态空中行为方面可以显著优于循环模型和基于物理的模型。