Resumen: El rápido crecimiento de la economía de baja altitud ha impulsado la adopción generalizada de vehículos aéreos no tripulados (UAV). Este creciente despliegue presenta nuevos desafíos para la planificación de la trayectoria de UAV en entornos urbanos complejos. Sin embargo, los estudios existentes a menudo pasan por alto factores clave, como las limitaciones del espacio aéreo urbano y la eficiencia económica, que son esenciales en los contextos de economía a baja altitud. El aprendizaje de refuerzo profundo (DRL) se considera una solución prometedora a estos temas, mientras que su adopción práctica sigue siendo limitada por la baja eficiencia de aprendizaje. Para superar esta limitación, proponemos un nuevo marco de planificación de trayectoria de UAV que combina el razonamiento de DRL con un modelo de modelo de lenguaje grande (LLM) para permitir una planificación de rutas segura, compatible y económicamente viable. Los resultados experimentales demuestran que nuestro método supera significativamente las líneas de base existentes en múltiples métricas, incluida la velocidad de recopilación de datos, la evitación de colisiones, el aterrizaje exitoso, el cumplimiento regulatorio y la eficiencia energética. Estos resultados validan la efectividad de nuestro enfoque para abordar los desafíos clave de planificación de trayectoria UAV bajo limitaciones de la red de economía a baja altitud.
Publicado Originalme en rss.arxiv.org El 10 de junio de 2025.
Ver Fuente Original
