LLM-Guided Distributed Model Predictive Control for Decentralized UAV Formations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Real-time autonomous control of decentralized drone swarms in dynamic and cluttered environments remains a significant challenge. This paper presents a natural language-driven framework that integrates a fine-tuned large language model (LLM) with distributed model predictive control (MPC) to enable scalable and responsive UAV swarm autonomy. The system architecture comprises a ground control unit, an intelligent mission planning agent, and a decentralized swarm of drones. Mission objectives and target coordinates supplied by external sources (e.g., satellites, command center or airborne platforms), are processed by fine-tuned Phi-2 LLM trained on over 200,000 command variations. The LLM interprets these natural language inputs into structured mission plans, including drone assignments, formations, and operational modes (e.g., swarm-based, multi-target, or single-agent deployments). These plans are dispatched via the Agent mission allocator to the UAVs, each of which leverages a local MPC controller to execute its assigned task. The controllers dynamically optimize flight trajectories while ensuring collision avoidance, formation maintenance, and seamless role transitions. The framework is validated in a high-fidelity simulation environment that combines the ROTORS quadrotor dynamics simulator with Unreal Engine’s photorealistic and depth-aware rendering, facilitating vision-based navigation in cluttered environments. Experimental results demonstrate high mission success rates, accurate formation tracking, and robust adaptability to mid-mission updates, affirming the potential of combining LLM-driven intent parsing with decentralized MPC for intuitive, safe, and scalable swarm control. Future work will focus on extending this framework to physical UAV platforms for real-world deployment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,006 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle