神经符号框架（Neuro-symbolic Framework）驱动的多无人水面艇（Multi-USV）协同：《国际海上避碰规则公约》（COLREGs）合规且高能效的智能航行

《Frontiers in Marine Science》：Neuro-symbolic framework for multi-USV coordination: COLREGs-compliant and energy-efficient smart navigation

　　

本研究针对海岸水域多无人水面艇（USV, unmanned surface vehicle）协同控制问题，提出了一种名为NSC-Marine的神经符号框架（neuro-symbolic framework），旨在同时满足《国际海上避碰规则公约》（COLREGs, International Regulations for Preventing Collisions at Sea）合规性、实时响应、能效优化、容错性以及语义场景理解等多重约束。现有方法通常仅解决上述问题的一部分，缺乏对舰队级协同的整合支持。NSC-Marine通过融合多模态因果感知、基于大语言模型（LLM, large language model）的规则推理、能量感知运动规划以及分布式故障重构，在双速率控制架构内实现上述耦合约束的协同处理。具体而言，语义推理模块生成结构化约束以保障部署安全性，而低层运动执行仍由确定性规划与控制机制完成。该框架在物理仿真环境中进行了评估，仿真保真度约为70%，涉及浦福风级（Beaufort Scale）3–5级条件下20–100艘USV的1,000次试验。在仿真条件下，NSC-Marine实现了88.7% ± 2.3%的COLREGs合规率、82.3%的复合故障任务成功率，相对于强化学习协同避碰（RLCA, reinforcement learning collision avoidance）基线降低13.6%能耗，同时保持320 ms的关键路径延迟。研究人员强调，上述指标仅反映理想化仿真基线，不可外推至物理部署就绪性；真实世界性能尚未验证，需分阶段开展硬件在环测试与现场试验以表征系统在物理扰动下的实际行为。

研究背景方面，自主无人水面艇（USV）舰队在复杂海岸环境中执行巡检、监视、环境监测及港口作业等任务日趋广泛。实际部署要求多USV系统同时满足COLREGs合规、实时响应、有限机载计算、感知退化、通信中断及电池不均衡消耗等约束。尽管上述挑战各自受到关注，但现有研究通常将其孤立处理，分别改进碰撞规避、传感器融合、运动规划、能效路由或容错控制，未能形成可部署的统一框架。核心难点在于几何规划器的能力与海事决策实际需求之间存在错配：纯运动学方法虽能响应相对运动，却无法从轨迹中可靠推断船型、航行状态或意图等规则相关语义信息。近期大语言模型及视觉语言模型（VLM, vision-language model）研究表明语义推理可改善COLREGs解释与场景理解，但其概率性输出存在不一致风险，难以直接用于安全关键航行。同时，规模化多智能体协同、能效规划及弹性故障响应仍是能否实际部署的关键工程挑战。

针对上述问题，研究人员开发了NSC-Marine框架，其核心设计原则是在AI语义推理与安全关键运动执行之间建立硬性安全边界：语言及视觉语言模型不直接生成可执行控制指令，而是提供结构化语义引导并转化为约束与规划偏置，最终机动生成仍由确定性几何与运动学安全机制管控。该框架的四项主要贡献包括：一是引入具有显式安全分离的语义推理以应对海事会遇中的语义盲区；二是提出不对称计算架构实现????高频几何控制与低频语义推理以支持实时部署；三是通过去中心化故障重构实现复合故障下的分布式弹性；四是在闭环中整合语义智能与物理约束优化。

关键技术方法方面，NSC-Marine采用六层神经符号架构，分为三个功能组：感知与语义解释组（神经感知层、符号-LLM推理层）、符号决策与多目标优化组（运动规划层、能量优化层、故障容错层）以及确定性安全执行组（控制执行层）。目标部署硬件为Jetson Orin AGX 32GB平台。

神经感知层采用多模态因果融合网络（MCFN, multimodal causal fusion network），结合视觉语言模型语义线索进行因果解混杂（causal deconfounding），处理雷达、声纳、激光雷达及相机输入，利用D-S证据理论（Dempster-Shafer evidence theory）融合并生成结构化状态估计。该网络模型明确建模环境干扰因素与传感器测量间的因果关系，通过VLM语义嵌入作为调整变量阻断混杂路径，设置三级认知置信权重（支持/中性/矛盾）校正各传感器基本概率分配（BPA, basic probability assignment）。

符号-LLM推理层采用LLM层级因果推理（LLM-HCR）模块，以微调Llama2-13B模型为核心，通过结构化思维链（S-CoT, structured chain-of-thought）将结构化会遇状态（含DCPA、TCPA、相对舷角、船型及航行状态信号）转化为JSON格式的COLREGs合规航向约束。该模块集成确定性规则一致性校验器作为安全拦截与回退机制，对畸形输出、不完整约束及运动不可行航向区间进行拦截并激活保守规则库回退，确保语义推理仅具顾问性而非权威性。视觉语言模型选用Qwen2.5-VL-7B-Instruct提取语义线索，经两阶段微调（5万对海图-文本视觉语义对齐、12万条COLREGs规则推理链LoRA微调）以适应海事语义与规则推理。

运动规划层对db-LaCAM算法进行海事化改造，引入三项扩展：能量分类运动原语库（按功耗分为四级）、荷电状态（SOC, state of charge）感知优先级分配机制（以?SOC_i + ε·ID_i为优先级得分）以及视觉-能量-SOC耦合启发函数f′(n, SOC_i, c^VLM)。搜索过程中实施四项剪枝规则：违反C_rule航向边界、舰队SOC方差超15%、孤立形成节点、低SOC（<40%）USV仅保留低能耗原语。

能量优化层以软启发式修正器形式运作，通过调整规划成本权重促进舰队级SOC平衡，确保COLREGs合规与物理安全为首要约束。故障容错层实现分布式故障重构（DFR, distributed fault reconfiguration）框架，基于状态残差监测与海事化Raft共识协议实现故障声明、拓扑重构与任务再分配，包含10状态精简历史、自适应选举超时（浦福风级3级150 ms/5级300 ms）及基于哈希的日志匹配机制。

控制执行层采用模型预测控制（MPC, model predictive control）或比例-积分-微分（PID, proportional-integral-derivative）闭环跟踪，通过控制障碍函数（CBF, control barrier function）h(η) = min_j≠i(||η_i ? η_j|| ? d_safe)维持不变安全集S_safe = {η | h(η) ≥ 0}。

双速率架构设计为核心运行特征：系统1以50 Hz运行快速几何响应（含海事化db-LaCAM与MPC/PID控制），系统2以1–2 Hz异步执行审慎语义推理（VLM与LLM-HCR）。选择性触发机制使语义推理仅在操作相关时激活（平均触发率约4%），看守机制（watchdog）在语义处理超0.45 s时终止推理并回退至预计算安全原语。

研究结果部分，首先呈现可扩展性与计算性能。NSC-Marine在复杂度O(N log N)、峰值内存12.0 GB条件下，于Jetson Orin AGX平台支持≥100艘USV实时运行，50-USV关键路径延迟320 ± 32 ms，低于国际海事组织（IMO, International Maritime Organization）500 ms阈值，较RLCA降低约32%。海事化db-LaCAM较原始算法节点扩展减少38.2%，路径能耗降低16%，COLREGs可行规划率从72.1%提升至88.7%，实时 fleet规模从~60艘扩展至≥100艘。

COLREGs合规与语义推理结果表明，NSC-Marine在500次试验中实现88.7% ± 2.3% COLREGs合规率（95%威尔逊置信区间：86.5%–90.9%）。标准会遇（规则13–15，浦福风级3–4级，n=350）达97.8 ± 0.9%，近岸复杂航道（n=150）为94.2 ± 2.1%，30%传感器退化边界模糊条件（n=50）为91.6 ± 3.4%，浦福风级5级（n=300）为92.7 ± 2.5%。语义推理专用试验（n=100）显示意图识别错误率8.7 ± 2.3%，较纯数值基线34.2 ± 5.8%显著改善（p < 0.001，科恩d = 2.13）。MCFN模块在浦福风级4级条件下平均减少76.3% ± 5.2%虚假障碍检测，极端条件（浦福风级5级高风）降至58.3% ± 8.7%。典型狭窄航道案例实现91.2% ± 3.8% COLREGs合规，Rule 18特权船舶识别准确率98%（49/50），平均航向偏差较RLCA降低72%，任务时间减少15%。

故障容忍与能效结果表明，复合故障场景（n=500）中故障检测准确率平均87.4% ± 4.2%，检测延迟加权平均340 ± 52 ms。NSC-Marine复合故障任务成功率82.3 ± 4.2%，显著优于RLCA（24.1 ± 7.5%）、TransQMIX（38.5 ± 8.2%）及BIT*+TD3（33.4 ± 7.9%）。分级恢复表现：轻度故障恢复延迟1.0 ± 0.2 s/成功率95.0 ± 2.8%，中度1.8 ± 0.3 s/88.0 ± 3.5%，重度3.2 ± 0.6 s/72.0 ± 4.7%，极端5.5 ± 0.9 s/52.0 ± 6.1%。能效方面，8小时任务平均单USV能耗从RLCA的1580 ± 45 kJ降至1365 ± 29 kJ，舰队级降低13.6 ± 2.1%；机制贡献分解为能量加权原语库6.2 ± 0.9%、SOC感知重调度7.8 ± 1.2%、VLM驱动绿色路由4.4 ± 0.8%，交互效应?4.8%。舰队SOC方差仅4.3%（RLCA为12.8%），零电池耗尽事件（RLCA/TransQMIX/BIT*+TD3分别为6/8/4起）。电动50-USV舰队基于中国沿海电网（0.55 kg CO₂/kWh）、欧洲电网（0.25 kg CO₂/kWh）及全球平均（0.43 kg CO₂/kWh）排放因子，年间接碳减排分别为228.9 t CO₂、104.1 t CO₂及178.9 t CO₂；柴油动力直接类比为299.7 t CO₂。

消融研究（n=1000/条件）验证各模块独立贡献：去除MCFN合规降至84.2 ± 2.8%、能耗11.2 ± 2.4%、故障成功74.1 ± 5.3%；去除LLM-HCR合规骤降至62.1 ± 5.9%；去除VLM触发器合规75.1 ± 3.4%、延迟升至780 ± 65 ms；去除能量加权能耗降至7.1 ± 1.5%；去除DFR故障成功仅34.7 ± 7.8%。

讨论部分首先明确当前局限：一是仿真唯一验证，约70%保真度存在非平稳激光雷达噪声、多径通信效应及脚本化船舶轨迹等仿真-现实差距；估计真实世界合规率下降6–7个百分点、能效2–3个百分点、故障检测2–5个百分点。二为同质化USV假设，13.6%节能收益向混合舰队转移需重新优化。三为故障模型限于fail-stop假设，拜占庭故障仅通过传感器-广播一致性检查部分缓解（差异>2.5 m时优先本地感知），未达完全拜占庭容错。四为静态能量模型未计入海态、航向及传感器激活率动态变化，且存在反弹效应可能。

针对自主船舶（MASS, maritime autonomous surface ships）治理，研究提出五项政策启示：需分阶段监管验证路径（仿真→实传感器回放→硬件在环→封闭水域试验→受限港口试验→监督运行试验）；语义推理失败时应向远程操作员提供可解释警报；责任框架需考虑分层决策责任；COLREGs合规应作为情景化证据包而非单一百分比评估；需建立透明审计日志支持事故调查与认证审查。

未来研究方向按优先级排序：首要为硬件在环验证（单USV影子模式→双USV会遇→小队集成→全规模部署）；次为异构舰队扩展（个体能量模型参数化、异构SOC优先级、差异化恢复能力）；第三为形式化安全验证（TLA⁺规范与TLC模型检验验证Raft共识）；第四为岸基LLM卸载（良好连接时岸基推理，降级时 onboard 回退）；第五为对抗鲁棒性扩展（覆盖LLM-HCR及VLM输入扰动的对抗课程）。

研究结论方面，NSC-Marine作为不对称神经符号控制框架，通过将语义场景理解与确定性安全边界执行耦合，在复杂海岸场景中展现了规则感知协同、能量感知规划及故障响应的潜在改进。该框架的核心贡献并非即部署产品，而是展示语义推理、COLREGs约束、能量优化与故障重构如何在有界控制层级内组织整合的架构蓝图。LLM/VLM语义模块提供结构化约束与规划引导，而最终运动执行仍由确定性规划与控制层介导。当前发现仅作为概念与算法蓝图，需经分阶段硬件在环及物理现场试验方可考虑Operational部署，未来工作将从单USV影子模式测试起步，逐步推进至双船会遇实验及小队开阔水域验证，同时扩展异构舰队支持、形式化验证分布式重构机制，并增强对拜占庭故障及VLM/LLM输入对抗扰动的鲁棒性。