SPAR 平台探索 LLM 用于 AUV 故障恢复
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载分层控制加LLM诊断
这项研究面向的是在通信不可靠的水下环境中作业的自主水下航行器，一旦出现故障，无法等待人工介入，必须自行恢复。作者提出的架构把工作分成两层：常规运行交给传统的确定性分层控制自主软件负责，只有当船载异常检测发现性能偏离预期范围时，才调用大语言模型充当诊断与恢复规划者。也就是说，语言模型并非常驻的控制器，而是在被唤起时介入，承担判断故障成因、给出恢复方案的任务。作者把这一思路的贡献概括为两点：一是把非预期故障的恢复从单纯检测推进到缓解处置，二是给出了一套面向低功耗AUV、评估LLM辅助任务管理的集成测试方法。由于语言模型输出具有随机性，作者强调评估不能靠单次演示，而需要成组试验。
闭环仿真与故障注入
为支撑上述评估，作者搭建了名为SPAR的闭环仿真架构，即AUV恢复仿真平台。该架构把实时运行的C语言载具软件与一个更高层的编排层连接起来，编排层负责基于物理的故障注入、结构化提示构造、与语言模型的交互、任务文件生成、校验、执行，以及由LLM担任评判的打分环节。平台支持在多种故障实现、提示结构、推理模型和任务条件下开展评测。作者以质量偏移这一故障为对象，在SPAR中完成了480次试验，参与评测的包括一个前沿模型和三个可直接本地部署的现成模型。论文共6页，含3幅图、2张表，已被2026年IEEE/OES自主水下航行器研讨会接收，举办地为英国南安普顿。
模型选择主导诊断结果
试验结果显示，模型的选择对诊断结果影响最大。前沿模型在多数试验中把重心偏移机制列入其前三项假设，表现优于最好的本地模型；本地模型之间的差距也较为明显。对推理过程的分析表明，本地模型取得成功的试验往往伴随着对完整诊断流程的遵循，而能力较弱的模型容易过早锁定升降舵故障，即便执行机构实际上仍在跟踪指令。作者还指出，在这批数据中，诊断表现与后续运行决策表现之间并未呈现出耦合关系。这意味着一个模型能较准地判断故障机理，并不必然对应更好的处置决策，两者需要分别考察。上述结论均建立在质量偏移这一单一故障类型、480次试验的范围内，作者将其定位为对LLM辅助任务管理进行集成评估的方法示范，而非对模型能力的普遍结论。
为什么值得看
提供了评估 LLM 在低功耗无人系统故障恢复中有效性的量化方法。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。