Large Language Model-based Decision-making for COLREGs and the Control of Autonomous Surface Vehicles
作者: Klinsmann Agyei, Pouria Sarhadi, Wasif Naeem
分类: cs.RO, eess.SY
发布日期: 2024-11-25 (更新: 2025-04-08)
备注: This work has been accepted for publication at European Control Conference 2025, \c{opyright} IEEE 2025. Please cite the published version when available
💡 一句话要点
提出基于大语言模型的自主水面艇决策控制方法，解决COLREGs规则下的避碰难题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自主水面艇 大语言模型 避碰规则 决策控制 可解释AI
📋 核心要点
- 自主水面艇（ASV）在遵守海上避碰规则（COLREGs）方面面临挑战，现有方法难以模拟人类操作员的决策过程。
- 利用大语言模型（LLM）处理COLREGs规则的文本性和模糊性，构建高层决策器，实现符合规则的安全机动。
- 实验结果表明，该系统能够在多个场景中保持COLREGs合规性，实现精确的航路点跟踪，并提供可解释的决策依据。
📝 摘要（中文）
本文提出了一种基于大语言模型（LLM）的自主水面艇（ASV）决策和控制方法，旨在解决长期以来在ASV领域中，如何使决策和避障方案符合海上避碰规则（COLREGs）这一难题。COLREGs主要为人类操作员设计，将其应用于算法存在挑战。LLM在复杂系统决策方面的最新进展，以及COLREGs规则的文本性和模糊性，使得LLM非常适合该应用。该方法构建了一个高层决策器，利用在线碰撞风险指标和关键测量数据来制定安全机动决策。通过定制设计和运行时结构，支持在真实的ASV模型上进行训练和实时动作生成。同时，集成了局部规划和控制算法，以执行航路点跟踪和避碰指令。实验结果表明，该系统能够在多个测试场景中保持在线COLREGs合规性、精确的航路点跟踪和可行的控制，并为每个决策提供人类可解释的推理。
🔬 方法详解
问题定义：自主水面艇（ASV）需要在复杂的海上环境中安全航行，这要求其能够理解并遵守国际海上避碰规则（COLREGs）。然而，COLREGs是为人类驾驶员设计的，其规则具有一定的模糊性和主观性，难以直接转化为算法指令。现有方法在模拟人类驾驶员的决策过程，以及提供可解释的决策依据方面存在不足。
核心思路：本文的核心思路是利用大语言模型（LLM）的自然语言理解和推理能力，将COLREGs规则转化为可执行的决策。LLM能够理解规则的语义，并根据当前环境信息进行推理，从而生成符合规则的避碰策略。这种方法能够更好地模拟人类驾驶员的决策过程，并提供可解释的决策依据。
技术框架：该方法的技术框架主要包括三个模块：高层决策器、局部规划器和底层控制器。高层决策器基于LLM，接收来自传感器的数据（如其他船只的位置、速度等）以及在线碰撞风险指标，根据COLREGs规则生成安全机动指令（如改变航向、速度等）。局部规划器根据高层决策器的指令，生成具体的航路点序列。底层控制器则负责控制ASV按照航路点序列进行运动。
关键创新：该方法最重要的技术创新点在于将大语言模型（LLM）应用于自主水面艇的决策控制。这是首次尝试利用LLM处理COLREGs规则，并将其转化为可执行的决策。与传统的基于规则或机器学习的方法相比，该方法能够更好地模拟人类驾驶员的决策过程，并提供可解释的决策依据。
关键设计：该方法的一个关键设计是定制的运行时结构，用于支持LLM的训练和实时动作生成。此外，在线碰撞风险指标的设计也是一个关键因素，它能够帮助LLM更好地评估当前环境的危险程度，并做出相应的决策。具体的参数设置和网络结构等技术细节在论文中没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该系统能够在多个测试场景中保持在线COLREGs合规性，实现精确的航路点跟踪，并提供可行的控制。此外，该系统还能够为每个决策提供人类可解释的推理，这有助于提高系统的可信度和可靠性。具体的性能数据和对比基线在论文中没有明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于各种自主水面艇，例如无人货船、海上巡逻艇、海洋科考船等。通过提高自主水面艇的安全性、可靠性和智能化水平，可以降低海上运输成本，提高海洋资源利用效率，并减少人为事故的发生。未来，该技术有望与物联网、大数据等技术相结合，构建更加智能化的海上交通管理系统。
📄 摘要（原文）
In the field of autonomous surface vehicles (ASVs), devising decision-making and obstacle avoidance solutions that address maritime COLREGs (Collision Regulations), primarily defined for human operators, has long been a pressing challenge. Recent advancements in explainable Artificial Intelligence (AI) and machine learning have shown promise in enabling human-like decision-making. Notably, significant developments have occurred in the application of Large Language Models (LLMs) to the decision-making of complex systems, such as self-driving cars. The textual and somewhat ambiguous nature of COLREGs (from an algorithmic perspective), however, poses challenges that align well with the capabilities of LLMs, suggesting that LLMs may become increasingly suitable for this application soon. This paper presents and demonstrates the first application of LLM-based decision-making and control for ASVs. The proposed method establishes a high-level decision-maker that uses online collision risk indices and key measurements to make decisions for safe manoeuvres. A tailored design and runtime structure is developed to support training and real-time action generation on a realistic ASV model. Local planning and control algorithms are integrated to execute the commands for waypoint following and collision avoidance at a lower level. To the authors' knowledge, this study represents the first attempt to apply explainable AI to the dynamic control problem of maritime systems recognising the COLREGs rules, opening new avenues for research in this challenging area. Results obtained across multiple test scenarios demonstrate the system's ability to maintain online COLREGs compliance, accurate waypoint tracking, and feasible control, while providing human-interpretable reasoning for each decision.