基于大语言模型的海上自主水面舰船遭遇场景拟人化态势理解方法研究

本文提出了一种基于大语言模型（LLMs）的非参数化建模方法，通过模块化框架和思维树提示（ToT）技术，实现海上自主水面舰船（MASS）对动态遭遇场景的拟人化态势理解。该方法突破了传统定量模型依赖数学逻辑关系的局限，有效融合低定量信息（如COLREGs规则、航海经验）与结构化参数数据，为混合航行环境下保障MASS与有人船舶的平等航行权提供了创新解决方案。

　　

Highlight

本研究突破传统定量建模局限，构建了基于大语言模型（LLMs）的非参数化态势理解模型。通过模块化框架和思维树提示（Tree-of-Thought prompting, ToT），模型能动态融合航海规则（COLREGs）、低定量环境感知数据与专家经验，实现与人类船员认知对齐的拟人化推理。

Problem statement

核心挑战在于如何规避定量方法的主观性，将文本类低定量信息（如COLREGs条款、航海日志）与ARPA雷达等结构化数据协同处理。传统模型因依赖预设数学关系，难以适应动态变化的遭遇场景。

Experiments

实验采用不同遭遇场景的ARPA数据验证模型，重点测试：1）框架对多模态数据的兼容性；2）ToT提示对复杂推理的增强效果；3）不同LLMs（如GPT-4、Claude）的性能差异。结果表明，高性能LLMs驱动下，非参数模型能准确识别追越、对遇等13类典型场景。

Prospects for the application of non-parametric models

该模型可扩展至：1）MASS自主避碰决策系统；2）VHF语音交互意图识别；3）多船协同航行策略生成。未来结合知识图谱技术，有望构建覆盖"感知-理解-决策"全链路的智能航海框架。

Conclusion

非参数化建模通过LLMs的语义理解能力，实现了航海态势理解从"人工规则编码"到"拟人化认知"的范式转变。性能对比显示，GPT-4结合ToT提示的准确率较传统方法提升37.2%，验证了该方法在混合航行时代的应用潜力。

（注：翻译严格遵循了1）去除文献标识；2）专业术语中英文对照；3）保留标题层级；4）使用^{/_{标注符号；5）未使用HTML转义符与svg标签的要求）}}