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

一、文章主要内容总结

本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LLM驱动联合导航算法。该算法旨在解决传统多智能体强化学习（MARL）存在的数值通信语义鸿沟、角色结构僵化，以及现有基于大语言模型（LLM）的控制框架缺乏在线学习、过度依赖静态先验等问题，以提升无人机群在动态环境中的任务覆盖、协作导航和泛化能力。

RALLY的核心框架包括三个关键部分：

1. LLM驱动的语义决策框架：通过结构化自然语言实现高效语义通信和协作推理，替代传统数值向量通信，提升可解释性和共识效率。
2. 动态角色异质性机制：支持无人机自适应角色切换（如指挥官、协调者、执行者）和个性化决策，增强群体对动态环境的适应性。
3. 基于角色价值混合网络（RMIX）的分配策略：整合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，平衡探索与利用。

实验在多智能体粒子环境（MPE）和软件在环（SITL）平台进行，结果表明RALLY在任务覆盖范围、收敛速度和泛化能力上均优于传统方法，验证了其在多无人机协作导航中的潜力。

二、创新点总结

1. LLM驱动的语义决策框架：利用结构化自然语言替代传统数值向量进行通信，实现高效的语义协作推理，解决了传统MARL的“语义鸿沟”问题，提升了决策的可解释性和群体共识效率。
<