FRSICL：LLM 启用式情境学习无人机航路资源分配用于 UAV 辅助野火监测中的新鲜数据收集
人工智能
2026-02-23 v2
摘要
无人机（UAV）在公共安全中发挥着重要作用，尤其是在野火监测中，及时检测可减少环境影响。在 UAV 辅助野火监测（UAWM）系统中，联合优化数据收集计划和无人机速度是至关重要的，以最小化感知数据的平均信息年龄（AoI）。深度强化学习（DRL）已用于此优化，但其局限性——包括低采样效率、仿真与真实世界之间的差异以及复杂的训练——使其不适用于此类野火监测等时间关键应用。最近的大型语言模型（LLM）进展为这一问题提供了有前景的替代方案。凭借强大的推理和泛化能力，LLM 可通过情境学习（ICL）适应新任务，这使其能够使用自然语言提示和基于示例的指导进行任务适应，而无需重新训练。本文提出了一种基于 LLM 启用式情境学习的 novel 在线飞行资源分配方案（FRSICL），以联合优化实时数据收集计划和无人机沿轨迹的速度，从而在所有地面传感器上 asymptotically 最小化平均 AoI。与 DRL 不同，FRSICL 使用自然语言任务描述和来自环境的反馈生成数据收集计划和速度，实现动态决策，无需大量重新训练。仿真结果确认了 FRSICL 在众多基线（包括近端策略优化、块坐标下降和最近邻）方面的有效性。
引用
@article{arxiv.2507.10134,
title = {FRSICL: LLM-Enabled In-Context Learning Flight Resource Allocation for Fresh Data Collection in UAV-Assisted Wildfire Monitoring},
author = {Yousef Emami and Hao Zhou and Miguel Gutierrez Gaitan and Kai Li and Luis Almeida},
journal= {arXiv preprint arXiv:2507.10134},
year = {2026}
}