[Paper] 从预测到行动：不确定性感知 UAV 部署用于 Ocean Drifter 恢复

Source: arXiv - 2512.09260v1

Overview

本文提出了一种 预测‑后‑优化 流程，将海流漂流器轨迹预测转化为具体的 UAV（无人机）部署方案，用于海上救援。通过将基于大语言模型（LLM）的预测器与空间不确定性模型以及元启发式优化器相耦合，作者突破了静态的“随处投放无人机”策略，在真实的韩国海岸线数据上展示了可衡量的收益。

Key Contributions

• 端到端框架，直接将轨迹预测与 UAV 布置相连接，这是此前海上搜索文献未涉及的组合。
• LLM 驱动的轨迹预测，能够摄取异构传感器日志（如 GPS、风、潮流），输出概率性的未来路径。
• 高斯粒子采样，将预测的不确定性转化为一组可能的漂流器位置。
• 动态检测半径，每架 UAV 的检测范围随距离衰减，符合真实传感器性能。
• 元启发式优化（带修复的 GA/PSO），在满足动态半径和覆盖约束的前提下迭代优化 UAV 位置。
• 实证验证，在韩国海岸线的漂流器释放数据集上显示，与随机搜索基线相比，漏检漂流器减少 30‑40 %。

Methodology

1. 数据摄取与预处理 – 将历史漂流器轨迹、海洋学变量和天气报告对齐到时空窗口。

2. 轨迹预测 – 经过微调的大语言模型（如 GPT‑Neo）将时间序列视作“故事”，预测未来 N 小时的经纬度。模型输出均值路径以及协方差矩阵。

3. 不确定性建模 – 使用协方差在每个预测点周围抽取 M 个高斯粒子，形成可能漂流器位置的云。

4. 动态 UAV 检测模型 – 对于位于 u 的 UAV 与候选漂流器粒子 p，检测概率遵循径向衰减函数：

   $$
   P_{\text{detect}}(u,p) = \exp!\bigl(-\alpha , |u-p| \bigr)
   $$

   其中 α 由现场测试校准。

5. 优化问题 – 选择 K 个 UAV 发射点，以最大化粒子云的期望覆盖率，受飞行时间和禁飞区约束。

6. 元启发式求解器 – 采用带自定义 修复算子 的遗传算法（将不可行的 UAV 重新注入可行空域），迭代改进布局。适应度函数聚合所有粒子的检测概率。

Results & Findings

关键结论

• 带修复的 GA 始终优于纯随机搜索和朴素贪婪布局。
• 即使 LLM 预测出现较大偏差，高斯粒子云仍保留足够的多样性，使优化器能够找到具韧性的 UAV 位置。
• 运行时长保持在操作限制内，可在机载或边缘设备上执行，实现近实时任务重新规划。

Practical Implications

• 海上救援机构 可将该流水线集成到现有 UAV 指挥控制平台，几分钟内将原始传感器数据转化为可执行的飞行计划。
• 沿海监测公司 可实现漂流器（或浮标）自动回收，降低人力和燃料成本。
• 动态检测半径 模型贴合真实传感器特性（相机分辨率、激光雷达范围），使该方案可迁移至不同 UAV 平台。
• 由于框架模块化（预测 → 不确定性 → 优化），开发者可以替换为领域特定的预测器（如基于物理的海洋模型）或其他元启发式算法，而无需重新设计整体系统。

Limitations & Future Work

• 虽然 LLM 预测器灵活，但 对数据需求量大；在漂流器历史记录稀疏的区域性能会下降。
• 高斯采样假设 椭圆形不确定性，可能无法捕捉由复杂潮流引起的多模态漂移模式。
• 本研究聚焦于 单日视角；将其扩展到多日、多 UAV 协同仍是未解挑战。
• 未来研究方向包括：融合 基于物理的海洋环流模型、探索 强化学习 用于自适应 UAV 路径规划，以及在更恶劣天气条件下进行现场测试。

Authors

• Jingeun Kim
• Yong-Hyuk Kim
• Yourim Yoon

Paper Information

• arXiv ID: 2512.09260v1
• Categories: cs.NE
• Published: December 10, 2025
• PDF: Download PDF