多无人机协同任务规划新平台：用大语言模型指挥“空中蜂群”

大语言模型为高层级的机器人任务规划提供了极具潜力的接口，但其在多无人机协同领域的应用一直缺乏系统化的评估工具。现有无人机仿真器多侧重于动力学、感知或底层控制，而现有的大语言模型智能体基准测试又很少能涵盖空中机器人特有的约束条件，如局部可观测性、空间覆盖、无人机任务分配及多机协调等。

为弥补这一空白，研究团队提出了MultiUAV-Plat。这是一个轻量级、易用、面向大语言模型智能体的多无人机协同任务规划仿真平台。该平台提供了简洁的RESTful API、面向智能体的观测信息、基于角色的信息访问权限、隐藏的验证逻辑以及可选的2D/3D可视化功能。这使得智能体能够通过现实工具交互来完成任务，而非依赖对仿真器的特权访问。

基于此平台构建的MultiUAV-Plat基准测试包含了75个任务会话、1500个自然语言任务以及9396项验证检查，覆盖了目标分配、区域搜索、区域分配与巡逻等多种场景。

此外，团队还提出了一个名为Agent4Drone的任务专用大语言模型智能体框架。该框架将多无人机的行为结构化地组织为记忆、观测、任务理解、规划、执行和验证等模块。在完整的配对基准测试比较中，Agent4Drone取得了57.9%的任务通过率、74.6%的平均任务检查通过率以及72.0%的全局检查通过率，显著优于ReAct基线模型的30.6%、47.9%和43.1%。同时，Agent4Drone将总任务失败率从32.4%降低到了12.9%。

这些结果表明，MultiUAV-Plat平台及其基准测试，为在现实信息和执行约束下研究大语言模型驱动的多无人机自主能力，提供了一个可复现的基础。