مقاله کنترل سلسله‌مراتبی مبتنی بر مدل زبان بزرگ برای شبکه‌های کمکی HAPS: بهینه‌سازی مشترک پرواز و اتصال

پهپادهای بدون سرنشین (UAV) به طور فزاینده‌ای در محیط‌های شبکه‌ای پیچیده مستقر می‌شوند، اما بهینه‌سازی همزمان کنترل حرکت و اتصال چند پهپاد همچنان یک چالش اساسی است. در این مقاله، ما یک سیستم چند پهپادی را که در یک شبکه یکپارچه زمینی و غیرزمینی (ITNTN) شامل ایستگاه‌های پایه زمینی و ایستگاه‌های پلتفرم مرتفع (HAPS) فعالیت می‌کند، مورد مطالعه قرار می‌دهیم. ما سناریوی یک بزرگراه هوایی سه بعدی (3D) را در نظر می‌گیریم که در آن پهپادها باید حرکت خود را برای اطمینان از جلوگیری از برخورد، جریان ترافیک کارآمد و ارتباطات قابل اعتماد تحت شرایط پویا و تا حدی قابل مشاهده، تطبیق دهند. ما ابتدا مسئله را به صورت یک فرآیند تصمیم‌گیری مارکوف سلسله مراتبی چند هدفه و تا حدی قابل مشاهده (H-MO-POMDP) مدل می‌کنیم که ارتباط بین اهداف کنترلی و ارتباطی را در بر می‌گیرد. بر اساس این فرمول‌بندی، ما یک چارچوب کنترل سلسله مراتبی چند نرخی مبتنی بر مدل زبان بزرگ (LLM) را پیشنهاد می‌کنیم. در سطح جهانی، یک کنترل‌کننده مبتنی بر LLM بر روی HAPS، برنامه‌ریزی بلندمدت برای تعادل بار و تصمیم‌گیری برای هنداور را انجام می‌دهد. در سطح محلی، هر پهپاد از یک کنترل‌کننده ترکیبی استفاده می‌کند که یک LLM با مقیاس زمانی کند برای استدلال فضایی سطح بالا را با یک عامل یادگیری تقویتی برای ارتباطات و کنترل حرکت سریع‌تر پهپاد به زیرساخت (U2I) ادغام می‌کند. ما همچنین با ادغام محیط gym-pybullet-drones با مدل‌های کانال RF/THz مطابق با 3GPP، یک پلتفرم شبیه‌سازی سه‌بعدی با وفاداری بالا توسعه می‌دهیم. نتایج عددی نشان می‌دهد که چارچوب پیشنهادی به طور قابل توجهی از روش‌های پیشرفته موجود بهتر عمل می‌کند و به افزایش 14 درصدی در بهره‌وری حمل و نقل و بهبود 25 درصدی در توان عملیاتی مخابراتی دست می‌یابد. علاوه بر این، کاهش 23 درصدی در نرخ برخورد فیزیکی، پایداری قوی هنداور و تعمیم صفر شات (zero-shot) در سناریوهای پویا را نشان می‌دهد.

Uncrewed aerial vehicles (UAVs) are increasingly deployed in complex networked environments, yet the joint optimization of multi-UAV motion control and connectivity remains a fundamental challenge. In this paper, we study a multi-UAV system operating in an integrated terrestrial and non-terrestrial network (ITNTN) comprising terrestrial base stations and high-altitude platform stations (HAPS). We consider a three-dimensional (3D) aerial highway scenario where UAVs must adapt their motion to ensure collision avoidance, efficient traffic flow, and reliable communication under dynamic and partially observable conditions. We first model the problem as a hierarchical multi-objective partially observable Markov decision process (H-MO-POMDP), capturing the coupling between control and communication objectives. Based on this formulation, we propose a large language model (LLM)-driven hierarchical multi-rate control framework. At the global level, an LLM-based controller on the HAPS performs long-term planning for load balancing and handover decisions. At the local level, each UAV employs a hybrid controller that integrates a slow-timescale LLM for high-level spatial reasoning with a reinforcement learning agent for faster UAV-to-infrastructure (U2I) communication and motion control. We further develop a high-fidelity 3D simulation platform by integrating the gym-pybullet-drones environment with 3GPP-compliant RF/THz channel models. Numerical results demonstrate that the proposed framework significantly outperforms state-of-the-art baselines, achieving a 14% increase in transportation efficiency and a 25% improvement in telecommunication throughput. Additionally, it achieves a 23% reduction in physical collision rates, demonstrating strong handover stability and zero-shot generalization in dynamic scenarios.