Physics-informed offline reinforcement learning eliminates catastrophic fuel waste in maritime routing

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates a robust offline RL framework that maintains performance without online simulators, with transfer potential to other domains like wildfire evacuation.

🏢実務担当者:Provides a fuel-saving, safety-aware routing method that reduces emissions and operational risk, validated on real AIS data.

🏛政策担当者:Highlights the potential of AI in maritime decarbonization, supporting IMO GHG reduction targets through smart routing without reliance on forecasts.

国際海運は世界の温室効果ガス排出量の約3%を占めるが、航路選定は依然としてヒューリスティックな手法が主流である。我々はPIER（Physics-Informed, Energy-efficient, Risk-aware routing）を提示する。これは、歴史的な船舶追跡データと海洋再解析プロダクトに基づく物理校正済み環境から、燃料効率が高く安全を考慮した航路選定ポリシーを学習するオフライン強化学習フレームワークであり、オンラインシミュレータを必要としない。メキシコ湾の7航路（各手法につき840エピソード）における1年分（2023年）のAISデータで検証した結果、PIERは大圏航路と比較して平均CO2排出量を10%削減する。しかし、PIERの主な貢献は壊滅的な燃料浪費の排除である：大圏航路では4.8%の航海で極端な燃料消費（中央値の1.5倍超）が発生するが、PIERはこれを0.5%に削減し、9分の1の減少となる。航海ごとの燃料分散は3.5倍低く（p<0.001）、平均削減量のブートストラップ95%信頼区間は[2.9%, 15.7%]である。観測されたAIS船舶挙動に対する部分的な検証により、実際の最速航行と整合しつつ、23.1倍低い分散を示すことが確認された。重要な点として、PIERは予測に依存しない：波の影響を考慮するA*経路最適化が現実的な予測不確実性の下で4.5倍性能が低下するのに対し、PIERは局所的な観測のみを用いて一定の性能を維持する。本フレームワークは、物理情報に基づく状態構築、デモンストレーション拡張オフラインデータ、分離された事後安全シールドを組み合わせたアーキテクチャであり、山火事避難、航空機軌道最適化、未踏地形における自律航法に応用可能である。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

International shipping produces approximately 3% of global greenhouse gas emissions, yet voyage routing remains dominated by heuristic methods. We present PIER (Physics-Informed, Energy-efficient, Risk-aware routing), an offline reinforcement learning framework that learns fuel-efficient, safety-aware routing policies from physics-calibrated environments grounded in historical vessel tracking data and ocean reanalysis products, requiring no online simulator. Validated on one full year (2023) of AIS data across seven Gulf of Mexico routes (840 episodes per method), PIER reduces mean CO2 emissions by 10% relative to great-circle routing. However, PIER's primary contribution is eliminating catastrophic fuel waste: great-circle routing incurs extreme fuel consumption (>1.5x median) in 4.8% of voyages; PIER reduces this to 0.5%, a 9-fold reduction. Per-voyage fuel variance is 3.5x lower (p<0.001), with bootstrap 95% CI for mean savings [2.9%, 15.7%]. Partial validation against observed AIS vessel behavior confirms consistency with the fastest real transits while exhibiting 23.1x lower variance. Crucially, PIER is forecast-independent: unlike A* path optimization whose wave protection degrades 4.5x under realistic forecast uncertainty, PIER maintains constant performance using only local observations. The framework combines physics-informed state construction, demonstration-augmented offline data, and a decoupled post-hoc safety shield, an architecture that transfers to wildfire evacuation, aircraft trajectory optimization, and autonomous navigation in unmapped terrain.

• semanticscholar https://doi.org/10.48550/arxiv.2603.17319first seen 2026-06-29 06:17:09 · last seen 2026-08-11 05:07:02