探索大语言模型在真实海事导航场景中的态势感知与COLREG合规能力

文章背景与核心概要

大语言模型（LLM）在自动驾驶等多个领域的态势感知、推理及决策方面展现出了巨大潜力。本文旨在探讨当前最先进的大语言模型是否能够有效应用于海事导航领域。海事导航不仅要求严格遵守《国际海上避碰规则》（COLREGs），还需遵循被称为“良好船艺”（Good Seamanship）的非成文海事最佳实践。

为了评估LLM在该领域的能力，研究人员构建了一个包含50个基于AIS（船舶自动识别系统）数据的真实导航场景数据集，并为这些场景标注了适用的COLREG规则、建议行动及决策依据。通过对多种LLM架构和规模的评估，研究发现，在缺乏特定领域微调的情况下，即使是大型在线模型在处理真实海事导航任务时仍面临巨大挑战。

探索大语言模型在真实海事导航场景中的态势感知与COLREG合规能力

arXiv: 2608.08281 [cs.AI]
提交日期: 2026年8月8日
作者: Julius Wirbel, P. Nicholas Hansen, Line K. H. Clemmensen, Roberto Galeazzi
学科: 人工智能 (cs.AI); 机器人学 (cs.RO)
备注: 已提交并被 IFAC WC 2026 录用，作为轨道 7.2 交通与车辆系统 - 海洋系统受邀会议论文。

📋 摘要

大语言模型（LLMs）在各个领域，特别是在汽车行业，展现出了在态势感知、推理和决策方面的巨大潜力。本文探讨了当前最先进的LLMs是否能有效应用于海事导航。

Large Language Models (LLMs) have demonstrated significant potential for situational awareness, reasoning, and decision-making across various fields, particularly in the automotive industry. This paper investigates whether current state-of-the-art LLMs can be effectively applied to maritime navigation.

海事导航要求同时遵守成文法规——特别是《国际海上避碰规则》（COLREGs）——以及被称为“良好船艺”的非成文海事最佳实践。

Maritime navigation requires adherence to both codified regulations—specifically the International Regulations for Preventing Collisions at Sea (COLREGs)—and uncodified maritime best practices collectively known as "Good Seamanship."

为了评估LLM在该领域的能力，研究人员： 1. 构建了一个新颖的数据集，包含50个源自AIS（船舶自动识别系统）数据的多样化真实导航场景。 2. 标注了场景，包括适用的COLREG规则、建议采取的行动以及这些行动背后的逻辑依据。 3. 评估了各种LLM架构和规模，以评估它们对海事导航任务的理解和推理能力。

To evaluate LLM capabilities in this domain, the researchers: 1. Constructed a novel dataset comprising 50 diverse, real-world navigation scenarios derived from AIS (Automatic Identification System) data. 2. Labeled the scenarios with applicable COLREG rules, recommended actions, and the rationale behind those actions. 3. Evaluated various LLM architectures and sizes to assess their understanding of maritime navigation tasks and reasoning capabilities.

研究结果表明，即使对于大型在线模型而言，在没有针对特定领域进行微调的情况下，解决真实的海事导航任务仍然是一项艰巨的挑战。

The findings reveal that, even for larger online models, solving real-world maritime navigation tasks remains a difficult challenge without domain-specific fine-tuning.

🔗 访问链接与资源

📚 参考资料与引用工具

您可以通过以下外部学术平台探索和追踪本文： * NASA ADS * Google Scholar * Semantic Scholar

You can explore and track this paper using external academic platforms: * NASA ADS * Google Scholar * Semantic Scholar