سیستم پهپادی چندعاملی تقویت شده با LLM-MAS برای بازرسی و مدیریت تهدیدات FPV چارچوب مفهومی و مرور نظام مند (۲۰۲۳-۲۰۲۵)

پیشرفت های اخیر در سامانه های چندعاملی مبتنی بر پهپاد (MAS) و یادگیری تقویتی چندعاملی (MARL) امکان اجرای وظایف پیچیده توزیع شده و هماهنگ را در محیط های پویا فراهم کرده است. با این حال محدودیت های اساسی در درک سطح بالای وظیفه تصمیم گیری شناختی و تطبیق معنا محور همچنان مانع از به کارگیری گسترده و قابل اعتماد سامانه های سوارمی هوشمند در سناریوهای واقعی می شود. در این مقاله یک چارچوب مفهومی یکپارچه برای سامانه های LLM-MAS ارائه می شود که در آن مدل های زبانی بزرگ (LLM) به عنوان لایه شناختی بالادست، در کنار کنترل واکنشی مبتنی بر MARL و سازوکارهای لایه ای سیاست گذاری و ایمنی عمل می کنند. چارچوب پیشنهادی قابلیت هایی نظیر تخصیص تطبیقی نقش ها، استدلال معنایی و افزایش تاب آوری شناختی را با الزامات بلادرنگ و محدودیت های عملیاتی سامانه های پهپادی تلفیق می کند. علاوه بر این، یک مرور نظام مند بر ۱۶ مقاله منتخب منتشر شده در بازه زمانی ۲۰۲۳ تا ۲۰۲۵ ارائه شده و شکاف های موجود میان توانمندی های شناختی، چالش های پیاده سازی عملی آنها در سامانه های بلادرنگ شناسایی شده است. نتایج این مرور نشان می دهد که رویکرد LLM-MAS با حفظ مزایای معماری های MAS و MARL و افزودن لایه استدلال و تصمیم گیری سطح بالا، چارچوبی امیدبخش برای طراحی سامانه های سوارمی هوشمند ایمن و مقاوم در کاربردهای نظارتی، بازرسی و مدیریت محیط های پیچیده فراهم می کند.

کلیدواژه ها:

LLM ، تاب آوری شناختی ، هماهنگی معنایی سامانه های چندعاملی ، یادگیری تقویتی چندعاملی ، LLM-MAS ، تصمیم گیری شناختی و راهبردی