X-VORTEX: Spatio-Temporal Contrastive Learning for Wake Vortex Trajectory Forecasting
作者: Zhan Qu, Michael Färber
分类: cs.LG, cs.AI, cs.CV
发布日期: 2026-02-13
💡 一句话要点
X-VORTEX：时空对比学习用于尾流涡旋轨迹预测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 尾流涡旋 轨迹预测 时空对比学习 激光雷达 点云处理
📋 核心要点
- 现有尾流涡旋轨迹预测方法忽略了时间结构，且依赖大量标注数据，难以扩展到实际应用。
- X-VORTEX利用时空对比学习，从未标注的激光雷达数据中学习物理感知的涡旋表示，解决传感器稀疏性和时变涡旋动力学问题。
- 实验表明，X-VORTEX仅使用1%的标注数据即可实现优于监督基线的涡旋中心定位，并支持准确的轨迹预测。
📝 摘要（中文）
尾流涡旋是由飞机产生的强烈、相干的气流湍流，对空中交通管理构成重大的安全和容量挑战。从激光雷达测量数据中跟踪涡旋随时间的移动、减弱和消散仍然很困难，因为扫描数据稀疏，涡旋特征随着气流在大气湍流和不稳定性的作用下分解而逐渐消失，并且逐点标注的成本过高。现有方法主要将每次扫描视为一个独立的、完全监督的分割问题，忽略了时间结构，并且无法扩展到实践中收集的大量未标记档案。我们提出了X-VORTEX，一个基于增强重叠理论的时空对比学习框架，可以从未标记的激光雷达点云序列中学习具有物理感知能力的表示。X-VORTEX解决了两个核心挑战：传感器稀疏性和时变涡旋动力学。它通过将弱扰动序列与通过时间子采样和空间掩蔽产生的强增强对应序列相结合，从同一底层飞行事件构建配对输入，从而鼓励模型对齐跨缺失帧和部分观测的表示。在架构上，时间分布的几何编码器提取每次扫描的特征，而序列聚合器对可变长度序列中不断演变的涡旋状态进行建模。我们在超过一百万次激光雷达扫描的真实世界数据集上进行了评估。X-VORTEX仅使用监督基线所需标记数据的1%即可实现卓越的涡旋中心定位，并且学习到的表示支持准确的轨迹预测。
🔬 方法详解
问题定义：论文旨在解决利用稀疏激光雷达数据进行尾流涡旋轨迹预测的问题。现有方法主要依赖于对每次扫描进行独立分割，忽略了涡旋的时序演化信息，并且需要大量的标注数据，这在实际应用中是难以实现的。因此，如何有效地利用未标注数据，并充分挖掘涡旋的时空信息，是本研究要解决的关键问题。
核心思路：论文的核心思路是利用时空对比学习，从未标注的激光雷达点云序列中学习具有物理感知能力的涡旋表示。通过构建正样本对（同一飞行事件的弱增强和强增强序列），鼓励模型学习到对传感器稀疏性和时变涡旋动力学具有鲁棒性的表示。这种对比学习方法能够有效地利用未标注数据，并提取涡旋的时空特征。
技术框架：X-VORTEX的整体架构包含以下几个主要模块：1) 时间分布的几何编码器：用于提取每次激光雷达扫描的特征。2) 序列聚合器：用于建模可变长度序列中涡旋状态的演化。3) 对比学习模块：通过构建正样本对，利用对比损失函数来训练模型。具体流程是，首先对原始激光雷达点云序列进行弱增强（例如，轻微的噪声扰动），然后进行强增强（例如，时间子采样和空间掩蔽），从而构建正样本对。接着，将正样本对输入到几何编码器和序列聚合器中，得到对应的表示向量。最后，利用对比损失函数，鼓励模型学习到相似的表示。
关键创新：X-VORTEX的关键创新在于提出了一个基于时空对比学习的框架，能够从未标注的激光雷达点云序列中学习具有物理感知能力的涡旋表示。与现有方法相比，X-VORTEX不需要大量的标注数据，并且能够有效地利用涡旋的时空信息。此外，X-VORTEX还提出了一个新颖的增强策略，通过时间子采样和空间掩蔽来模拟传感器稀疏性和时变涡旋动力学，从而提高模型的鲁棒性。
关键设计：在增强策略方面，论文采用了时间子采样和空间掩蔽。时间子采样通过随机丢弃一些帧来模拟传感器数据缺失的情况。空间掩蔽通过随机遮挡部分点云来模拟传感器扫描不完整的情况。在损失函数方面，论文采用了InfoNCE损失函数，该损失函数能够有效地将正样本对的表示拉近，并将负样本对的表示推远。在网络结构方面，几何编码器可以采用PointNet或DGCNN等点云处理网络。序列聚合器可以采用LSTM或Transformer等序列模型。
🖼️ 关键图片
📊 实验亮点
X-VORTEX在真实世界激光雷达数据集上进行了评估，实验结果表明，仅使用1%的标注数据，X-VORTEX即可实现优于监督基线的涡旋中心定位性能。此外，X-VORTEX学习到的表示能够支持准确的尾流涡旋轨迹预测，为空中交通管理提供了有力的技术支持。
🎯 应用场景
该研究成果可应用于空中交通管理领域，提高飞行安全和空域容量。通过准确预测尾流涡旋的轨迹，可以优化飞机之间的安全间隔，减少航班延误，并提高机场的运营效率。此外，该技术还可应用于其他涉及流体动力学现象的领域，例如风力发电场的设计和优化。
📄 摘要（原文）
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.