Enwar 3.0：面向情境感知的多模态 LLM 编排器用于波束成形、阻塞预测与接入点管理
多智能体系统
2026-05-06 v1
摘要
维持毫米波 (mmWave) 车载网络的稳健连接需要实时适应环境动态、传感器退化和链路波动。本文提出 Enwar 3.0，一个环境感知推理框架，统一多模态感知、agentic 大语言模型 (LLM) 和基于上下文的模型选择，用于预测波束成形、阻塞检测和接入点管理。构建在 Enwar 先前版本之上，新架构集成了基于分类器的传感器健康评估与经过预热的 LLM，通过结构化、任务感知的提示语协调多个专用 agent。提出一种新型合成退化管道，训练传感器退化分类器，实现对摄像头、雷达、LiDAR 和 GPS 输入实时失效检测，准确率超过 99%。经过通过链路思考 (CoT) 预热和人类在环反馈训练的 LLM，协调波束选择、阻塞预测和环境感知 agent 调用，同时根据环境上下文动态加载传感器专用模型。广泛的评估覆盖 15 种传感器组合，表明 Enwar 3.0 在预测准确性和可解释性方面均达到业界最佳水平，波束选择准确率超过 88%，阻塞 F1 分数超过 98%，复杂决策提示下的推理正确性达到 87%。本工作为需要实时推理、感知和自适应的 LLM 集成无线系统奠定了可扩展基础。
引用
@article{arxiv.2605.03215,
title = {Enwar 3.0: An Agentic Multi-Modal LLM Orchestrator for Situation-Aware Beamforming, Blockage Prediction, and Handover Management},
author = {Ahmad M. Nazar and Abdulkadir Celik and Asmaa Abdallah and Mohamed Y. Selim and Daji Qiao and Ahmed M. Eltawil},
journal= {arXiv preprint arXiv:2605.03215},
year = {2026}
}