AUV故障恢复仿真平台：探索基于LLM的诊断策略

在可靠通信之外运行的自主水下航行器 (AUV) 必须在没有人工干预的情况下从故障中恢复。我们研究了一种架构，其中传统的确定性分层控制自主管理正常操作，而当机载异常检测发现性能超出预期限制时，可调用的大语言模型（LLM）充当诊断和恢复规划器。由于语言模型是随机的，严格的评估需要整体测试而不是单独的演示。我们提出了一种闭环仿真架构，将实时 C 语言车辆软件与更高级别的编排层结合起来，用于基于物理的故障注入、结构化提示、语言模型交互、任务文件生成、验证、执行和 LLM 评审评分。该框架被我们称为 SPAR（AUV 恢复模拟平台），支持对故障实现、提示结构、推理模型和任务条件进行评估。我们在 480 次 SPAR 试验中针对质量转移故障改变了这些模型，评估了一个前沿模型和三个现成的本地可部署 LLM。模型选择主导诊断：在 85-90% 的试验中，前沿模型将 CG 偏移机制置于其前三个假设中，而最佳局部模型的这一比例为 60-78%。推理分析表明，局部模型的成功与遵循完整的诊断程序有关，而较弱的模型通常会过早地导致电梯故障，即使执行器跟踪其命令也是如此。在此数据集中，诊断和操作决策性能似乎没有耦合。这些贡献是一种将意外故障恢复从检测扩展到缓解的架构，以及一种用于评估低功率 AUV 上 LLM 辅助任务管理的整体方法。