基于大语言模型引导的水产养殖网箱自适应检测系统AquaChat：智能ROV框架的创新应用

这篇研究论文创新性地提出了AquaChat框架，将大语言模型（LLM）与远程操作载具（ROV）技术结合，实现了水产养殖网箱的智能自适应检测。该系统通过三层架构（高层LLM规划层、中层任务管理层、底层运动控制层）将自然语言指令转化为精确的ROV检测动作，并引入实时反馈和事件触发重规划机制，显著提升了动态水下环境中的检测灵活性（任务完成率提升32%）和操作效率（检测时间缩短41%）。实验证明该框架在模拟和真实水产环境中均能有效优化网箱完整性检测、生物污损识别等关键任务。

　　

亮点

本研究首次将LLM的语义理解能力与ROV的精准控制相结合，针对水产养殖网箱检测的特殊需求（如近距离机动、实时结构调整）开发了专用框架。通过自然语言交互，操作者可直接下达"检测网箱东北角破损"等高级指令，系统能自主生成最优检测路径并动态规避障碍物。

问题阐述

水产网箱检测面临三大核心挑战：(1) 水下环境动态性强（能见度_t、洋流扰动）；(2) 网箱结构复杂（三维曲面、生物附着物）；(3) 传统预编程ROV缺乏实时应变能力。AquaChat通过z_t传感器反馈与q指令的闭环交互，实现了毫米级精度的自适应检测。

框架概述

系统采用革命性的三层架构：

1. 1.

   LLM规划层：将"全面检查网箱底部"等指令解析为符号化任务序列

2. 2.

   任务管理层：验证动作可行性（如规避螺旋桨缠绕风险）

3. 3.

   运动控制层：执行六自由度(6-DoF)精准机动，同步采集4K视频与声呐数据

模拟与部署

在Gazebo仿真环境中构建了1:1网箱模型，测试显示：

• •

  LLM规划准确率达89.7%（较传统脚本提升2.3倍）

• •

  强水流条件下任务完成率保持82%以上

结果

实际池试验证了三大优势：

1. 1.

   多模态检测：同步实现视觉（摄像头）与结构（声呐）数据融合

2. 2.

   实时重规划：遭遇渔网破损时自动触发局部精细扫描

3. 3.

   人机交互：支持"优先检查可疑区域"等增量指令

讨论与展望

当前局限在于LLM的延迟（平均响应时间1.2s），未来将探索：

• •

  轻量化模型部署（如LLaMA-3微调）

• •

  多ROV协同检测网络

• •

  生物污损AI分类器集成

结论

AquaChat为水产养殖检测提供了首个可扩展的LLM-ROV框架，其模块化设计既适用于近海网箱，也可拓展至深海养殖场监测，为智慧渔业发展树立了新范式。