从提示到保护：基于大型语言模型上下文学习的智能公共安全无人机
人工智能
2026-02-18 v2
摘要
公共安全无人机（UAV）在应急响应期间增强了态势感知能力。其敏捷性、移动性优化以及建立视距通信的能力使其在管理灾害响应、搜索与救援以及野火监测等紧急情况时变得越来越重要。尽管深度强化学习（DRL）已被用于优化无人机导航和控制，但其高训练复杂度、低样本效率以及仿真到现实的差距限制了其在公共安全应用中的实用性。大型语言模型（LLM）的最新进展提供了一种有前景的替代方案。凭借强大的推理和泛化能力，LLM 可以通过上下文学习（ICL）适应新任务，无需重新训练即可通过自然语言提示和基于示例的指导实现任务适应。将 LLM 部署在网络边缘而不是云端，进一步降低了延迟并保护了数据隐私，使其适用于实时、关键任务的公共安全无人机。本文提出将 LLM 辅助的 ICL 与公共安全无人机相结合，以解决应急响应中的路径规划和速度控制等关键功能。我们提出了一个关于数据收集调度的案例研究，表明与常规方法相比，LLM 辅助的 ICL 框架可以显著减少丢包，同时还能缓解潜在的越狱漏洞。最后，我们讨论了 LLM 优化器并概述了未来的研究方向。ICL 框架为公共安全无人机实现了自适应、上下文感知的决策，为增强无人机在紧急情况下的自主性和响应能力提供了一种轻量且高效的解决方案。
引用
@article{arxiv.2506.02649,
title = {From Prompts to Protection: Large Language Model-Enabled In-Context Learning for Smart Public Safety UAV},
author = {Yousef Emami and Hao Zhou and Miguel Gutierrez Gaitan and Kai Li and Luis Almeida and Zhu Han},
journal= {arXiv preprint arXiv:2506.02649},
year = {2026}
}