管理分布式 Agentic 无人机群中的上下文和通信

无人机（UAV）群越来越依赖语言模型Agent在不确定的环境中提供自适应任务级推理。完全分布式控制，其中每个无人机托管一个独立的小语言模型（SLM），消除了对集中协调器的依赖，但引入了信息管理问题：长期运行的交互历史会降低推理上下文，而不加区别的信息传播会增加通信和推理开销。我们通过分布式无人机Agent架构来应对这些挑战，该架构通过事件驱动的原因-行动-观察生命周期实现持续的本地 SLM 控制。运行时知识被表示为结构化的原子注释，并被组织成核心、本地和特定于对等的内存。确定性兴趣感知八卦引擎根据特定接收者的语义新颖性和新近度有选择地传播这些笔记。我们在模拟搜索和救援任务中使用十架无人机评估该架构。我们的方法完成了所有实验运行，而不受限制的洪泛消息仅完成了 70-85%，并且将转发决策委托给 SLM 会阻止每次运行中的任务完成。与无限制的洪泛相比，我们的方法大约将推理词元消耗减半，减少了传输的数据，并实现了较低的幸存者计数错误。