ITNTN 中的智能多无人机导航：分层 LLM 方法

在 3D 空中高速公路中部署高速无人飞行器 (UAV) 需要对物理飞行运动学和多层网络切换进行强有力的协调。虽然深度强化学习 (DRL) 提供快速的战术控制，但它缺乏快速适应动态集成陆地和非陆地网络 (ITNTN) 所需的零样本战略推理。相反，大语言模型（LLM）擅长语义推理，但推理延迟较高，使其不适合实时空气动力学控制。为了弥补这一差距，我们提出了一种新颖的分层 LLM 驱动的控制框架。部署在高空平台站（HAPS）上的大规模基于云的 LLM 管理慢时间尺度的全局负载平衡，而单个无人机上的轻量级边缘 LLM 将本地观察结果转化为战术子目标。这些子目标指导快速物理 DRL 控制器执行无碰撞、切换感知的轨迹。模拟结果表明，与现有基线相比，我们的代理架构显着降低了冲突率并提高了总体系统吞吐量。