LLM-gestützte UAV-Optimierung für Katastrophen-Überwachung

Unbemannte Luftfahrzeuge (UAVs) werden zunehmend eingesetzt, um in Katastrophenfällen wie Tsunamis schnell Sensordaten zu sammeln. Dabei ist die rechtzeitige Erfassung entscheidend, um Küstenschäden zu begrenzen.

Ein zentrales Problem besteht darin, die Flugpläne und Geschwindigkeiten der UAVs so zu gestalten, dass Übertragungsfehler und Pufferüberläufe bei Boden-Sensoren vermieden werden. Ungeeignete Zeitpläne führen zu Paketverlusten, während herkömmliche Deep‑Reinforcement‑Learning‑Ansätze einen langen Trainingsaufwand und eine Diskrepanz zwischen Simulation und Realität aufweisen, die in Notfällen nicht akzeptabel ist.

Große Sprachmodelle (LLMs) bieten eine vielversprechende Alternative. Durch In‑Context Learning können LLMs neue Aufgaben ohne erneutes Training anpassen, indem sie natürliche Sprachprompts und beispielbasierte Anleitungen nutzen. Trotz Eingabegrößenbeschränkungen ermöglichen spezialisierte Ansätze eine effektive Nutzung dieser Modelle.

In der vorliegenden Arbeit wird die Methode AIC‑VDS (Attention‑Based In‑Context Learning for Velocity Control and Data Collection Schedule) vorgestellt. Sie optimiert gemeinsam die Datensammlungspläne und Geschwindigkeiten mehrerer UAVs, wobei Batteriestatus, Warteschlangenlängen, Kanalbedingungen und Flugtrajektorien berücksichtigt werden. Simulationen zeigen, dass AIC‑VDS die Datenverluste deutlich reduziert und damit die Zuverlässigkeit der Katastrophenüberwachung verbessert.