.png){kind=icon}
返回
Implicit semantic control manifolds for learning-enabled multi-UAV coordination
.png){kind=icon}
OA
AI
DOI：10.1007/s10514-026-10265-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在射频(RF)退化环境中运行的多旋翼无人机(UAV)集群智能体需要协调机制，以将可直接观察到的信号连接到可执行响应。本研究提出了一种具身视觉通信方法，其中受生物启发的运动-LED符号由嵌入完整24维混合执行流形内的简化六参数语义图表示。一个经过训练的翻译大型语言模型(LLM)将感知到的符号映射为响应，该响应实例化为可执行轨迹并通过闭环多旋翼动力学传播。系统在200次三UAV搜索与救援试验中进行了评估，试验中接收器具有特定的感知范围、视场、遮挡和相对运动退化。在干净观测下，量化小型模型和基于规则的翻译器均达到100%语义正确性，但在单参数和双参数损坏情况下，量化小型模型分别达到64.7%和64.1%，而基于规则的翻译器分别为44.8%和35.2%，同时将多智能体轨迹误差从2.902 m降低至0.993 m。所有方法均保持100%旋翼分配和有限时域可行性。量化小型模型与大型模型(83.3% vs. 86.3%)具有可比的整体语义正确性，同时将延迟从5.115 s降低至2.789 s，并在Jetson–Pixhawk无人机平台上进行了验证，其中空中推理和有界命令执行产生可测量的物理运动。这些结果建立了一条从退化视觉观测到语义有意义、动态支撑的UAV协调的统一路径。
Keyword:
Multi-UAV systems
Autonomous aerial robotics
Embodied intelligence
Bio-inspired communication
Learning-enabled control
Large language models