LAPF：基于 LLM 智能体的路径查找器，使用 UAVScenes 数据集

arXiv 论文提出 LAPF 框架，将感知、记忆、规划与行动模块整合到闭环认知架构中，用于无人机在城镇规模户外环境的自主导航。该框架利用过往导航经验、思维链推理及环境反馈动态优化航点决策。在三条独立试验中，LAPF 的路径长度分别比 CoT 提示缩短 17.2% 和 15.6%，在开放式和障碍物注入场景中的绝对路径效率达到 97.1% 和 98.1%。

现有无人机导航方法依赖预定义模型或任务特定训练，泛化性受限。LLM 辅助方法虽具推理能力，但缺少记忆、规划和工具交互机制。LAPF 通过集成这些模块形成闭环认知架构，显著缩短路径长度，提升了在不确定环境中导航的适应性和效率。

LAPF 的核心是结合 LLM 的推理能力与智能体的认知模块，包括感知、记忆、规划和行动。它利用过往导航经验作为记忆，通过思维链推理，将每个检测到的危险与有界纠正动作耦合，并根据环境反馈动态调整航点决策，形成闭环反馈循环，从而在复杂环境中实现更优路径规划。

对于无人机自主导航产品，LAPF 可能降低对预定义模型和任务特定训练的依赖，减少开发适配成本。同时，其较高的路径效率（97.1% 和 98.1%）意味着在真实场景中可节省飞行时间和能源，提升任务执行效率。但该框架目前仅为研究验证，商业化应用尚需进一步测试。

• 基于 LAPF 开发无人机自主导航的新一代路径规划模块，用于优化物流配送或巡检航线。
• 将 LAPF 的闭环认知架构集成到现有无人机自动驾驶系统中，提升复杂环境下的适应能力。
• 与 UAVScenes 数据集结合，为企业提供定制化无人机导航模型的训练与评估服务。

• LAPF 在实际复杂户外环境（如城市、森林）中的鲁棒性是否与实验数据一致？
• 该框架对计算资源的需求是否适合边缘部署？
• 与现有商业无人机导航系统相比，LAPF 的成本和性能优势如何？
• LAPF 的智能体能否处理动态障碍物的实时避让？