基于贝叶斯网络的认知对齐模型：提升人机混合环境下无人船避碰决策信任机制研究

　　本文创新性地提出基于贝叶斯网络（Bayesian network）的认知对齐模型，通过三层推理架构（情境识别-责任判定-行动生成）有效弥合有人船与无人船在避碰场景理解中的认知差异。研究证实该模型不仅能模拟人类船员思维过程（准确率达87.5%），更通过曼-惠特尼U检验（Mann-Whitney U test）验证其可显著提升人机信任水平，为混合航行背景下智能避碰决策提供了理论突破和实践方案。

　　

Highlight

本研究首次探索人机混合场景下无人船的认知对齐问题，开发了融合航海经验的认知对齐模型。该模型有效模拟人类推理过程，支持情境感知，增强船舶在复杂海事环境中的感知和决策能力。通过模型验证和人机信任水平对比实验，结果表明该模型能有效模拟人类船员的思维过程并获得他们的信任。

A Bayesian network-based cognitive alignment approach for unmanned ships

传统情境感知研究主要关注提高感知的准确性和可靠性，通常依赖机器学习等技术手段减少系统误差，实现船舶环境和动态信息的精确识别。然而，传统情境感知在很大程度上忽略了人机之间的认知差异，特别是在情境理解的逻辑推理和决策生成方面的差异。

Model validation experiments and performance evaluation

本节设计了模型验证实验，以评估无人船认知对齐模型在航行情境理解中的准确性和可行性。创建了四组典型航行场景供实验使用。邀请经验丰富的船长独立评估航行情境，然后将他们的判断与模型的输出进行比较，以测试人类和模型在三个维度上决策的一致性。

Experimental design and analysis of human-machine trustworthiness comparisons

在前实验中，36名参与者对四组典型航行场景独立进行认知判断，形成他们的情境评估。在真实的海事操作中，人类操作员与自动化系统之间的信任水平严重影响船舶协商决策，并可能显著影响航行安全。为了从信任角度进一步验证所提出的认知对齐模型的有效性，本研究设计并实施了人机信任水平对比实验。

Analysis of decision-uncertainty under human-machine trust fluctuations

在之前的实验中，我们证明了所提出的无人船认知对齐模型能有效模拟人类船员思维并获得他们的信任。然而，这些实验基于相对静态的航行场景。在真实操作中，船舶面临不断变化的海况和交通条件，人机信任是动态的，并受多种因素影响。信任波动会直接影响避碰协商过程中的决策，增加决策不确定性，甚至引发冲突。

Conclusion

本研究首次探索人机混合场景下无人船的认知对齐问题，开发了融合航海经验的初步认知对齐模型。该模型有效模拟人类推理过程，支持情境感知，增强船舶在复杂海事环境中的感知和决策能力。通过模型验证和人机信任水平对比实验，结果表明该模型能有效模拟人类船员的思维过程并获得他们的信任。