基于LLM的无人机路径规划在自主与适应性工业系统中的应用

《ACM Transactions on Autonomous and Adaptive Systems》：LLM-based UAV Path Planning for Autonomous and Adaptive Industry Systems

在工业5.0时代，无人机多传感器协同路径规划面临动态环境适应与决策可解释性挑战。本文提出基于大语言模型（LLM）的无人机群自主规划方法，通过多步决策生成算法（MSDTMD-SG）构建动态场景记忆库，结合在线样本生成与模型微调机制，显著提升任务完成率（较基线高32.7%）并降低系统能耗（减少18.4%）。

　　

摘要

在工业4.0时代，配备多种传感器的无人机（UAV）在巡逻和监控等工业任务中发挥着重要作用，它们具有高机动性、精确感知能力和自主操作的优势。然而，传统的无人机路径规划方法在可解释性和适应动态工业环境方面存在不足。为了解决这些问题，本文提出了一种基于大语言模型（LLM）的无人机群路径规划新方法，适用于自主和适应性强的工业系统。该方法旨在减少路径规划所需的时间和计算资源，同时提高无人机的任务完成率。具体而言，我们首先提出了多步深度思考运动决策样本生成算法（MSDTMD-SG），用于为LLM生成不同场景下的训练样本并进行微调；其次，设计了一种场景记忆与重放学习机制，使受损无人机能够存储感知信息，并通过MSDTMD-SG生成训练样本以持续进行LLM学习和优化。实验结果表明，该方法具有较强的环境适应能力，在所有方法中实现了最高的任务完成率，并保持了较低的系统能耗。