面向HAPS辅助无人机网络的分层LLM驱动控制：飞行与连接性的联合优化

无人驾驶飞行器（UAV）越来越多地部署在复杂的网络化环境中，然而多UAV运动控制与连接性的联合优化仍是一个根本性挑战。本文研究了一个在包含地面基站和高空平台站（HAPS）的天地一体化网络（ITNTN）中运行的多UAV系统。我们考虑了一个三维（3D）空中高速公路场景，其中UAV必须适应其运动，以在动态和部分可观测的条件下确保避免碰撞、高效的交通流和可靠的通信。我们首先将该问题建模为一个分层多目标部分可观测马尔可夫决策过程（H-MO-POMDP），以刻画控制与通信目标之间的耦合。基于此公式，我们提出了一个由大型语言模型（LLM）驱动的分层多速率控制框架。在全局层面，HAPS上的一个基于LLM的控制器执行负载均衡和切换决策的长期规划。在局部层面，每架UAV采用一个混合控制器，该控制器集成了一个用于高层空间推理的慢时间尺度LLM和一个用于更快UAV到基础设施（U2I）通信与运动控制的强化学习智能体。我们进一步通过将gym-pybullet-drones环境与符合3GPP标准的射频/太赫兹信道模型相集成，开发了一个高保真3D仿真平台。数值结果表明，所提出的框架显著优于最先进的基线方法，在运输效率上提升了14%，在电信吞吐量上提升了25%。此外，它在物理碰撞率上实现了23%的降低，展示了强大的切换稳定性和在动态场景中的零样本泛化能力。