RALLY: Role-Adaptive LLM-Driven Yoked Navigation for Agentic UAV Swarms

文章主要内容总结

该论文针对无人机群的智能控制问题，提出了一种名为RALLY（Role-Adaptive LLM-Driven Yoked Navigation）的角色自适应大语言模型（LLM）驱动的协同导航算法。传统多智能体强化学习（MARL）方法存在数值通信中的语义鸿沟和角色结构僵化问题，而基于LLM的方法则缺乏在线学习能力，过度依赖静态先验知识，导致探索效率低。

RALLY算法通过三个核心模块解决这些问题：

1. LLM驱动的语义决策框架：采用两阶段结构化自然语言推理（局部意图生成→邻域共识优化），实现高效语义通信与协同推理；
2. 动态角色异质性机制：支持无人机自适应角色切换（指挥官、协调者、执行者等）和个性化决策；
3. 基于角色价值混合网络（RMIX）的分配策略：融合LLM的离线先验知识与MARL的在线策略，实现角色选择策略的半离线训练。

实验在多智能体粒子环境（MPE）和软件在环（SITL）平台验证了RALLY在任务覆盖范围、收敛速度和泛化能力上优于传统方法，凸显了其在多无人机协同导航中的潜力。

创新点

1. 提出RALLY框架：整合LLM的语义推理与MARL的在线学习，解决了传统方法的语义鸿沟和静态角色局限性，提升了无人机群的协同决策效率。
2. 两阶段LLM共识推理：通过“局部意图生成（LLMₐᵢₙᵢₜ）”和“邻域共识优化（LLM꜀ₒₙₛ）”的结构化