面向HAPS辅助无人机网络的分层LLM驱动控制：飞行与连接性的联合优化

无人机（UAV）日益部署于复杂的组网环境中，然而多无人机运动控制与连接性的联合优化仍是根本性挑战。本文研究在由地面基站与高空平台站（HAPS）构成的空地一体化网络（ITNTN）中运行的多无人机系统。我们考虑一个三维（3D）空中高速公路场景，无人机必须在动态且部分可观测的条件下调整其运动，以确保避撞、高效的交通流与可靠的通信。我们首先将该问题建模为分层多目标部分可观测马尔可夫决策过程（H-MO-POMDP），捕捉控制目标与通信目标之间的耦合。基于这一建模，我们提出一个大语言模型（LLM）驱动的分层多速率控制框架。在全局层面，HAPS上基于LLM的控制器执行面向负载均衡与切换决策的长期规划。在本地层面，每架无人机采用混合控制器：将用于高层空间推理的慢时间尺度LLM与用于更快的无人机到基础设施（U2I）通信及运动控制的强化学习智能体相结合。我们进一步通过将gym-pybullet-drones环境与符合3GPP规范的RF/THz信道模型集成，构建了一个高保真3D仿真平台。数值结果表明，所提框架显著优于最先进的基线，运输效率提升14%，通信吞吐量改进25%。此外，物理碰撞率降低23%，展现出强大的切换稳定性与在动态场景中的零样本泛化能力。