灾害 OODA 环环节：基于层次化多模态 RAG 的经验驱动型智能决策系统 RAPTOR-AI
机器学习
2026-02-10 v2
摘要
人道主义援助与灾害救援（HADR）作业要求快速综合多模态信息，以应对极端不确定性下的时间紧迫决策。传统信息系统在处理灾害数据的碎片化、多模态特性方面受限，缺乏适用于动态紧急情境的自适应推理能力。本工作引入 RAPTOR-AI，一种 agentic 多模态检索增强生成（RAG）框架，通过动态、经验驱动的决策支持机制超越传统静态知识库。该系统通过三个关键创新措施满足 HADR 在初始救援、恢复和重建阶段的要求：从多样化数据源（文本报告、航空图像、历史文件）构建层次化多模态知识；实现基于熵的 agentic 控制，动态选择最优检索策略以适应情境；以及利用 LoRA 适配实现专家与非专家响应者的经验知识集成。该框架利用 BLIP 基于图像的理解、ColVBERT 嵌入和长上下文摘要，在 OODA 环节（观察、定向、决策、行动）中构建 46 个海啸相关 PDF（2,378 页）的层次化知识树。实验表明，RAPTOR-AI 在检索精度提升 23%、情境定位提升 31%、任务分解准确率提升 27%，并能高效扩展至 3,000 个文档块。
关键词
引用
@article{arxiv.2602.00030,
title = {RAPTOR-AI for Disaster OODA Loop: Hierarchical Multimodal RAG with Experience-Driven Agentic Decision-Making},
author = {Takato Yasuno},
journal= {arXiv preprint arXiv:2602.00030},
year = {2026}
}
备注
8 pages, 3 figures, 2 tables