文章提出了一种名为UROSA的分布式AI代理架构，旨在提升水下机器人在复杂环境中的认知自主能力。该架构通过将大型语言模型（LLM）与机器人操作系统（ROS 2）深度集成，实现了从感知到决策的全流程自主化。UROSA的核心创新包括动态角色适应的AI代理、基于向量数据库的检索增强生成（RAG）、实时功能扩展以及多层级安全机制。实验验证表明，UROSA在模拟和真实水下任务中展现出卓越的适应性和可靠性，显著优于传统规则驱动系统。该研究不仅推动了水下自主技术的发展，还为分布式认知机器人系统提供了可扩展的通用框架。
传统机器人系统在复杂非结构化环境中的适应性不足，严重依赖预编程规则，难以应对动态任务需求。文章提出的UROSA架构通过分布式AI代理重构自主系统范式，将大型语言模型（LLM）与机器人操作系统（ROS 2）深度融合。这一设计突破了传统模块化架构的局限性，实现了从自然语言指令到机器人行为的端到端自主决策。
UROSA采用去中心化的代理网络替代单一控制程序，每个代理作为智能ROS 2节点运行，兼具AI推理能力与实时通信功能。核心代理包括任务分解的指挥官代理、场景感知代理、动态代码生成代理等，通过ROS 2总线和共享向量数据库实现协同。
系统通过数字孪生循环实现虚实融合：传感器数据实时更新虚拟模型，而仿真结果反馈至物理系统形成闭环。这种双向交互使代理能够基于高保真环境模型进行预测性规划，显著提升复杂任务的成功率。
通过检索增强生成（RAG）技术，代理可从向量数据库中提取历史经验优化当前决策。实验显示，具备VDB访问权限的代理在管道跟踪任务中恢复时间缩短40%，验证了经验学习对动态扰动的鲁棒性提升。
自主代码生成代理能够在运行时创建新ROS节点。在导航系统故障场景中，动态生成的卡尔曼滤波节点将定位漂移降低70%，证明了系统在无人工干预下的自我修复能力。
UROSA采用三级安全策略：通过系统提示词约束代理行为逻辑，利用RAG确保决策依据可靠数据，最终由安全解析器验证输出合规性。在多AUV避碰实验中，该机制保障了100%的安全距离维持率。
在仿真与真实水下平台测试中，UROSA展现出显著优势：在受限空间多机器人协调任务中成功率提升60%；通过教师-学生机制，场景描述代理在6个训练周期内实现100%目标聚焦精度。这些结果验证了分布式认知架构在动态环境中的卓越适应性。