导语

近年来，人工智能大模型技术突飞猛进，已成为驱动产业变革的核心引擎。在海上救援、环境监测等复杂任务中海上救援、环境监测等复杂任务中，无人艇集群凭借其协同作业的高效性成为了海洋智能装备领域的重要发展方向。然而，在动态变化、障碍物密布的真实水域中，如何让USV集群拥有更聪明的大脑，实现高效、安全的自适应避障与路径规划？针对传统无人艇集群路径规划算法在复杂动态水域适应性差、鲁棒性不足的痛点，提出一套名为 APPT（工具函数链自适应路径规划）的全新智能规划框架，借助提示工程、向量相似度匹配、大模型自主调参实现经典规划算法动态组合与迭代优化。仿真实验验证该方法工具筛选平均准确率 89.7%，路径总长可缩短 14.55%，兼顾理论创新与海上工程落地价值，为复杂海域多无人艇协同自主航行提供新型智能决策方案。

文信息：

题目：大模型驱动的 USV 集群自适应路径规划方法

作者：史岳橙、焦锐阳、吕沐、李梅、高睿

单位：上海交通大学海洋智能装备与系统教育部重点实验室、上海船舶电子设备研究所

论文链接：https://www.ship-research.com/article/doi/10.19693/j.issn.1673-3185.04511

一、研究背景

USV 集群应用价值凸显

无人艇具备小型化、高安全、自主作业优势，广泛用于海上搜救、环境监测、航运、海上军事任务；多艇集群编队相比单艇作业，系统容错性、作业覆盖效率大幅提升，路径规划是集群自主作业的核心底层技术，需同时满足动态避障、艇间防碰撞、路径平滑、规划耗时、航行安全多重约束。

传统路径规划算法主流方案存在固有缺陷

现有经典算法分为三类，均存在场景适配短板：

传统搜索 / 采样 / 势场算法（A、RRT、APF、DWA 等）：依赖静态 / 准静态环境参数建模，属于被动响应模式，无法预判动态障碍物行为，高动态复杂水域时效性、适应性差；

深度强化学习 DRL（DQN、PPO）：端到端自主学习，但训练样本需求量巨大、成本高、泛化能力弱，难以融合任务优先级、安全阈值等高层人工约束，工程部署难度高；

大语言模型技术带来新突破口

LLM 具备强自然语言理解、逻辑推理、零样本泛化、工具调用能力，可解析高层任务指令、整合多维度环境感知信息，成为智能体高层决策引擎；但目前大模型在 USV 集群路径规划领域缺少系统性落地方案，存在 “大模型无法对接物理航行算法、不能自主适配水域场景” 的研究空白，因此本文开展大模型驱动无人艇集群规划研究。

二、面对的挑战：

传统方法的被动局限性：以图搜索（如A*）、人工势场法（APF）等为代表的经典算法，本质上基于环境的静态或准静态模型。这种“被动响应模式”缺乏对动态目标轨迹的预判，在复杂动态障碍物环境中往往难以维持策略的鲁棒性，时效性较差。

深度强化学习的工程应用壁垒：虽然DRL通过端到端训练实现了策略自主学习，但在高维连续动作空间中，不仅面临样本需求量大、训练成本高的难题，更关键的是，它难以将高层的任务优先级、安全性阈值等先验知识有效“翻译”并融入策略网络，导致其在实际工程场景中难以满足高可靠性的部署需求。

大语言模型正处于向物理世界通用智能演进的关键期。利用大模型的涌现能力与思维链机制，通过构建工具函数提示体系帮助模型理解物理约束，实现人机实时交互与智能体的自适应演进，已成为提升USV集群在复杂海域中自主决策能力的重要前沿方向。

三、核心方法：APPT 大模型驱动自适应路径规划框架

论文提出APPT（工具函数链自适应路径规划），整体分为四大核心模块，完整实现 “任务解析 — 工具匹配 — 路径生成 — 迭代调优” 闭环。

模块 1：大模型路径规划智能体搭建

基于思维链 CoT 与提示工程构建专用智能体：

搭建标准化算法工具库，将 A、RRT（全局规划）、APF、DWA（局部避障）封装为可调用工具函数，配套统一 API；

设计中英文标准化提示模板，向大模型输入各算法适用场景、性能优劣、调用规则，让 LLM 理解水面航行物理约束；

支持自然语言交互，直接解析用户输入的任务目标、水域环境要求，输出结构化工具调用逻辑。

模块 2：USV 集群规划编码器

解决大模型文字信息与环境量化特征的转化问题：

提取环境特征（障碍物数量、尺寸、移动速度）与任务约束（路径长度权重、规划时间权重、安全权重）；

将多维度信息编码为结构化提示向量；

通过余弦相似度公式计算提示向量与各工具算法能力向量匹配度，采用 Top-K 策略筛选最优全局 + 局部算法组合，实现工具自动匹配。

模块 3：工具函数链动态组装

采用 “全局规划 + 局部避障” 两级工具链组合，共 4 种可选组合：A*+APF、A*+DWA、RRT*+APF、RRT*+DWA：

全局层：A适合静态简单水域，输出最优短路径；RRT随机采样，适配高动态复杂海域；

局部避障层：APF 计算速度快，适合低复杂度环境；DWA 融入 USV 运动学约束，动态避障安全性更强；

大模型根据相似度得分自动匹配工具链，采用领航跟随法生成多艇集群完整编队路径。

模块 4：自适应迭代优化机制

基于路径三维评估指标（规划总时长、集群路径总长度、航行安全距离）实现大模型自主调参：

构建量化评估公式，计算工具筛选准确率（路径长度准确率、时间准确率、安全准确率）；

设计参数优化专用提示模板，向 LLM 传入当前地图、算法、参数、路径性能；

LLM 自主调整各算法核心参数：如 APF 吸引力 / 排斥增益、RRT * 搜索步长、DWA 速度采样区间；

闭环迭代：更新参数后重新生成路径，对比优化前后性能，支持人工引导持续迭代。

实验验证核心结论

工具筛选性能：多场景下工具筛选平均准确率 89.7%；任务权重提升时，对应维度筛选准确率同步上升；

路径优化效果：以 RRT*+APF 组合为例，经大模型自适应调参后，路径总长度缩短 14.55%，解决 APF 局部极小值振荡问题；

优化效率对比：传统网格参数寻优耗时 19.48s，APPT 仅 7.52s，优化时长减少 61%，仅牺牲 0.7% 路径最优性，实时性优势显著；

实验环境：基于 Qwen2.5-14B 大模型，100m×100m 仿真水域，包含固定障碍、动态移动障碍，模拟真实海上复杂环境。

四、总结

1. 研究创新点

（1）首次将大语言模型提示工程与 USV 集群路径规划结合，提出 APPT 工具链自适应框架，打通高层自然语言任务指令与底层航行算法；

（2）设计专用规划编码器，通过向量相似度实现经典规划算法自动组合，摆脱单一算法场景局限；

（3）建立大模型驱动的无人工干预参数自适应迭代机制，大幅降低传统算法调参时间成本，兼顾路径质量与实时性；

（4）框架普适性强，A、RRT、APF、DWA 均可插拔替换，可适配搜救、监测、海上作战等多元化海事任务。

2. 研究价值

理论层面：搭建大语言模型与海洋机器人运动规划的融合范式，弥补 LLM 在水上集群智能决策领域的系统性研究空白；

工程层面：克服传统算法适应性差、强化学习训练成本高的痛点，可直接部署于 USV 集群仿真与实装系统，适配动态复杂海域；

应用前景：通过调整安全、航程、时效权重，灵活满足民用海洋监测、海上救援以及军用无人艇编队协同等不同场景需求。

发个推广：工信部电子标准院人工智能大模型应用工程师7月17日-21日在青岛举办

https://mp.weixin.qq.com/s/-S4G2pO02nTmi-bYvlbD_w