大语言模型驱动的零样本传感器布局推理评估与人机混合智能优化范式

《IEEE Journal of Selected Areas in Sensors》：Large Language Models for Sensor Placement in Smart Spaces

　　最优传感器布局对于智能空间监测至关重要，需要在数据保真度与信号稳定性之间取得平衡。本研究提出了一种具身布局推理框架，评估了六个最先进的LLM（如ChatGPT-4o、Claude-Sonnet-4.5）作为"虚拟现场工程师"在大学办公室中的零样本部署能力。为量化空间幻觉与决策风险，每个模型生成了100次布局方案。Claude-Sonnet-4.5展现出最高的模型内一致性（59.7%），而Gemini仅9.9%的可靠性突显了自主空间定位面临的重大挑战。实证结果表明，LLM驱动策略在信号稳定性方面数值上优于专家设计方案（平均RSSI：-49.04 dBm vs. -52.01 dBm），尽管该差异未达统计显著水平。此外，我们建立了跨模态空间推理鲁棒性框架，揭示了ChatGPT-4o和Grok等模型能够从抽象文本或平面图中重构几何拓扑，从而实现高性能、隐私保护的部署方案。另外，Doubao在推理性能与运营成本之间提供了较优的权衡。最后，我们提出了一种人机混合智能范式，通过将无约束推理转变为使用经审核候选集的两阶段工作流，模型一致性提升了约69.6%。总体而言，我们的结果表明，将基于LLM的几何探索与人类可行性约束相结合，能够为真实世界物联网环境生成鲁棒、可部署的传感器布局方案。