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 DRLDQN、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 2USV 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 19.48sAPPT 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