Recent Advances in Transformer and Large Language Models for UAV Applications

一、文章主要内容总结

该文章系统梳理了基于Transformer的模型在无人车（UAV）系统中的应用进展，围绕模型架构、应用场景、技术支撑及未来方向展开全面分析，具体内容如下：

1. 核心背景与技术基础

• 无人车系统优势：无人车在安全（替代人类执行危险任务）、效率（优化资源消耗、减少人为误差）、适应性（适配多领域任务）上具有显著优势，可应用于精准农业、军事行动、物流运输、应急响应等场景，但面临非均质环境下的避障、防撞、交通信号合规等挑战。
• 深度学习技术演进：传统深度学习（如CNN、RNN）虽提升了无人车的目标检测、路径规划能力，但存在长距离依赖建模弱、序列数据处理低效等局限；Transformer架构（含注意力机制、混合模型、强化学习结合版等）凭借全局上下文建模能力，成为解决上述局限的关键技术。

2. Transformer-based无人车模型分类与特性

文章提出统一的模型分类体系，各类型模型的核心特性、适用场景及代表研究如下表所示：

模型类型	核心特性	适用场景	代表研究案例
注意力机制模型（Attention-based）	直接对图像patch建模，捕捉全局依赖