NaviAIS: A Scenario-Level Vessel Trajectory Prediction Dataset withVectorized Lane Priors and the NaviLane Forecasting Framework
作者: Yuan Gui, Hongchen Luo, Liqi Qu, Longyue Fu, Jiao Wang
分类: cs.AI
发布日期: 2026-07-21
💡 一句话要点
提出NaviAIS数据集与NaviLane框架以解决船舶轨迹预测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 船舶轨迹预测 AIS数据集 层次化生成 多模态预测 环境感知
📋 核心要点
- 现有AIS数据集存在数据格式不统一、噪声干扰严重和缺乏结构化航道表示等问题，限制了船舶轨迹预测的准确性。
- 提出NaviAIS数据集，提供标准化的多船舶轨迹数据，并引入NaviLane框架，通过层次化宏动作生成进行地图感知预测。
- 实验结果显示，NaviLane在多模态预测中显著优于现有基线，验证了其在实际应用中的有效性和可行性。
📝 摘要（中文）
船舶轨迹预测在复杂海洋环境中对交通管理、碰撞警告、路线规划和自主导航至关重要。现有基于AIS的学习方法虽然发展迅速，但现有数据集往往以原始消息流或不规则时间序列发布，存在采样率不一致、观察噪声、坐标系统异构和场景协议不统一等问题。为了解决这些问题，本文提出了NaviAIS，一个标准化的场景级AIS数据集，组织了多船舶历史-未来轨迹，并提供了光栅化的可导航地图、矢量化的航道先验、航道图和结构化地图表示。基于此数据集，我们提出了NaviLane，一个层次化的宏动作框架，进行地图感知预测。实验表明，NaviLane在单模态和多模态设置中均优于代表性基线，验证了结构化导航先验、层次化多模态生成和后果感知评估的价值。
🔬 方法详解
问题定义：本文旨在解决复杂海洋环境中船舶轨迹预测的挑战，现有方法在数据质量和结构化表示方面存在不足，导致预测效果不佳。
核心思路：通过构建NaviAIS数据集，提供统一的时间窗口和坐标系统，并引入NaviLane框架，利用层次化宏动作生成和后果感知评估来提升预测精度。
技术框架：NaviLane框架包括两个主要模块：轨迹-地图联合编码模块和离散宏动作代码本生成模块。前者用于生成统一场景表示，后者则生成多模态候选轨迹。
关键创新：NaviAIS数据集的结构化表示和NaviLane框架的层次化生成方法是本文的核心创新，显著提升了预测的环境感知能力和准确性。
关键设计：在模型设计中，采用了残差细化模块以提高局部几何和动态一致性，并引入基于世界模型的后果感知评估器来对候选轨迹进行风险和可行性排序。
🖼️ 关键图片
📊 实验亮点
实验结果表明，NaviLane在单模态和多模态设置中均优于现有的代表性基线，具体提升幅度达到XX%，验证了结构化导航先验和后果感知评估的有效性。
🎯 应用场景
该研究的潜在应用领域包括海洋交通管理、船舶自动导航系统以及碰撞预警系统。通过提供高质量的轨迹预测，NaviAIS和NaviLane框架能够显著提升海洋环境中的安全性和效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Vessel trajectory prediction in complex maritime environments is essential for traffic management, collision warning, route planning, and autonomous navigation. Although AIS-based learning methods have progressed rapidly, existing datasets are often released as raw message streams or irregular time series, with inconsistent sampling rates, noisy observations, heterogeneous coordinate systems, and non-unified scenario protocols. Most public AIS resources also lack structured representations of navigational lanes, waterway geometry, and navigable-region constraints, limiting reproducible, environment-aware forecasting. To address this, we introduce NaviAIS, a standardized scenario-level AIS dataset for vessel trajectory prediction. It organizes multi-vessel historical-future trajectories within unified temporal windows and local coordinate systems, and provides rasterized navigable maps, vectorized lane priors, lane graphs, and structured map representations. Compared with existing datasets, it jointly supports vectorized lanes, multi-scenario coverage, vectorized maps, open accessibility, and processed trajectories. Built on this dataset, we propose NaviLane, a hierarchical macro-action framework for map-aware prediction. NaviLane first performs trajectory-map joint encoding for a unified scene representation, then uses a discrete macro-action codebook to generate multimodal candidates coarse-to-refined. A residual refinement module improves local geometric and dynamical consistency, and a world-model-based consequence-aware evaluator ranks candidates by interaction risk and environmental feasibility. Experiments show NaviLane outperforms representative baselines in both single-modal and multimodal settings, confirming the value of structured navigational priors, hierarchical multimodal generation, and consequence-aware evaluation.