Large Language Models for UAVs: Current State and Pathways to the Future

无人机（UAV）已成为跨越不同领域的一项变革性技术，为军事和民用领域中的复杂挑战提供了适应性解决方案。它们不断扩展的能力提供了一个平台，通过整合人工智能（AI）和机器学习（ML）算法等尖端计算工具来进一步推进发展。这些进展已经显著影响了人类生活的各个方面，促进了一个无与伦比的高效和便利的时代。大型语言模型（LLM）是AI的一个关键组成部分，展示了在部署环境中显著的学习和适应能力，展示了一种接近人类水平的智能形式。本文探讨了将UAV和LLM集成以推动自主系统发展的巨大潜力。我们全面审查了LLM架构，评估了它们与UAV集成的适用性。此外，我们总结了最先进的基于LLM的UAV架构，并确定了LLM在UAV框架内嵌入的新机会。值得注意的是，我们重点关注利用LLM来改善数据分析和决策过程，特别是在UAV应用中增强光谱感知和共享。此外，我们研究了LLM集成如何扩展现有UAV应用的范围，实现自主数据处理、改进决策和更快的应急响应时间，如灾难响应和网络恢复。最后，我们强调了未来研究的关键领域，这些领域对于促进LLM和UAV的有效集成至关重要。

本文探讨将大型语言模型（LLMs）嵌入无人机（UAV）框架的潜力，以提高数据分析和决策制定过程的效率和准确性。同时，探讨LLMs在扩展现有UAV应用方面的作用，以及在紧急情况下（如灾难响应和网络恢复）实现自主数据处理、改进决策制定和更快的响应时间。

本文的关键思路是将LLMs嵌入UAV框架，以提高UAV应用中的数据分析和决策制定过程。此外，通过LLMs的整合，扩展现有UAV应用的范围，实现自主数据处理、改进决策制定和更快的响应时间。

本文综述了LLM架构，并评估了它们与UAV集成的适用性。此外，总结了基于LLM的UAV架构的最新进展，并确定了LLM嵌入UAV框架的新机会。实验使用了不同的数据集和开源代码。未来研究应重点关注如何有效地将LLMs和UAV集成，以及如何进一步提高它们的性能。

与本文相关的研究包括：1. 'A Survey of Unmanned Aerial Vehicle (UAV) Usage for Traffic Monitoring'；2. 'Autonomous UAV-Based Sensing and Mapping for Disaster Response: A Comprehensive Review'；3. 'Deep Learning-Based Object Detection in UAV Imagery: A Comparative Study'。