LAPF：使用 UAVScenes 数据集的基于 LLM-Agent 的路径查找器

无人驾驶飞行器 (UAV) 越来越多地用于复杂户外环境中的自主导航，其中动态条件和任务要求需要智能自适应决策。现有的基于优化的机器学习（ML）和强化学习（RL）方法通常依赖于预定义的模型或特定于任务的训练，限制了它们在不确定场景中的泛化和适应性。最近的 大语言模型 (LLM) 辅助方法提供了有前途的推理能力，但仍然受到有限的代理功能的限制，包括内存不足、规划和工具交互机制。本文提出了一种基于 LLM 代理的路径查找器 (LAPF) 框架，用于城镇规模户外环境中的自主无人机导航。 LAPF 通过将感知、记忆、规划和行动模块集成到闭环认知架构中，扩展了 LLM 辅助导航。所提出的代理利用先前的导航经验，执行思想链 (CoT) 推理，将每个检测到的危险与有界的纠正措施结合起来，并根据环境反馈动态细化航路点决策。每种方法的三个独立试验表明，LAPF 的平均路径长度为 512.83 m 和 506.37 m，而直线最佳长度为 497.33 m，对应于路径长度减少了 17.2% 和相对于 CoT 提示而言，相对路径效率为 15.6%，在开放场地和有障碍物注入的场景中，绝对路径效率分别为 97.1% 和 98.1%。此外，LAPF 是唯一一种经过评估的方法，它将每个检测到的危险与有界的、度量中立的纠正措施结合起来，同时保持接近目标的稳定性，在两种情况下钳制事件都为零，而 CoT 提示从 9.7 个事件增加到 14.0 个事件。