LLM规划加分布式行为树：多AUV任务框架仿真验证

Ehsan Khorrambakht等作者提交预印本论文，提出一个面向多自主水下航行器（AUV）的分层任务框架：由大语言模型（LLM）从自然语言任务指令中抽取分配与顺序约束，混合整数线性规划（MILP）结合航行器能力与时间要求生成任务分配，再经 BT-LLM Bridge 分发到各航行器机载的行为树（BT）Mission Managers 执行；各航行器的 Robotic Agents 评估本地故障并请求选择性重规划，使未受影响的航行器继续执行任务。 作者在基于 ROS 的 AUV 仿真器中比较 Qwen-3-8B 与 Llama-3.1-8B 的约束抽取表现，并测试传感器退化和航行器严重故障下的恢复。作者称 Qwen-3-8B 的约束抽取更准确，且在所测故障场景中所有任务均完成。 上述结果均为仿真结果，作者据此认为该框架将语言任务描述与结构化分配、分布式执行相结合的可行性得到支持；论文为预印本，尚未经同行评议，也未在实机 AUV 上验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。