ITNTN中智能多无人机导航：一种层次化LLM方法

该论文提出一种层次化LLM驱动控制框架，用于ITNTN中的多无人机导航。框架中，高空平台(HAPS)上的云LLM负责慢时间尺度全局负载均衡，单个无人机上的轻量级边缘LLM将局部观测转化为战术子目标，再由快速物理DRL控制器执行防碰撞且感知网络切换的轨迹。仿真结果表明，该架构相比基线显著降低了碰撞率，并提高了系统总吞吐量。

此前，DRL虽能快速战术控制但缺乏零样本策略推理，LLM推理延迟高无法用于实时气动控制。本文首次将LLM与DRL以分层方式结合，实现了全局负载均衡与局部实时避障的协同，解决了单一方法无法兼顾推理即时性与适应性的难题。

云LLM利用全局信息进行慢时间尺度负载分配；边缘LLM依据局部观察生成短期战术子目标（如目标航向、速度）；DRL控制器在毫秒级执行物理控制，实现碰撞避免与网络切换。这种层次化设计将延迟敏感的实时任务留给DRL，而将不可预测的语义推理交给LLM。

该框架可应用于需要动态网络切换和高密度飞行的无人机物流、巡检等场景，有望降低碰撞事故并优化通信带宽利用。但需要部署高空平台（HAPS）及边缘LLM推理能力，可能增加基础设施成本与集成复杂度。

• 开发基于边缘LLM的机载推理模块，用于实时生成导航子目标
• 将云LLM与现有无人机交通管理系统（UTM）集成，实现全局负载均衡
• 针对低延迟场景对边缘LLM进行量化或蒸馏优化，减少推理时间

• HAPS与无人机之间的通信延迟在实际多跳网络中如何影响框架实时性？
• 边缘LLM生成的子目标是否能在不同无人机型号间通用迁移？
• DRL控制器是否需要针对不同ITNTN拓扑重新训练？
• 模拟环境中碰撞率的降低在真实室外强干扰环境下是否仍能保持？