弥合网络碎片化：面向无人机辅助VANET的语义增强DRL框架

车载自组织网络 (VANET) 是自动驾驶的数字基石，但由于物理障碍，它们在城市环境中面临严重的网络碎片化问题。无人机 (UAV) 凭借其高机动性，已成为弥合这些连接差距的重要解决方案。然而，传统的基于深度强化学习（DRL）的无人机部署策略缺乏对道路拓扑的语义理解，往往导致盲目探索和样本效率低下。相比之下，大语言模型（LLM）拥有强大的推理能力，能够识别拓扑重要性，尽管将其应用于控制任务仍然具有挑战性。为了解决这个问题，我们提出了语义增强 DRL（SA-DRL）框架。首先，我们提出了一种基于道路拓扑图（RTG）和对偶连通图（DCG）的碎片量化方法。随后，我们设计了一个四阶段管道，将通用的大语言模型转变为特定领域的拓扑专家。最后，我们提出了语义增强 PPO（SA-PPO）算法，该算法采用 Logit Fusion 机制将 LLM 的语义推理作为先验直接注入到策略中，有效引导智能体走向关键路口。广泛的高保真模拟表明，SA-PPO 以卓越的效率实现了最先进的性能，仅使用 26.6% 的训练集就达到了基线性能水平。最终，与竞争方法相比，SA-PPO 将两个关键连接指标分别提高了 13.2% 和 23.5%，同时将能耗降低至基线的 28.2%。