Este artículo se centra en el control inteligente de múltiples enjambres de vehículos aéreos no tripulados (UAV). Los enfoques existentes de aprendizaje por refuerzo multiagente (MARL) presentan una generalización deficiente y una escalabilidad limitada debido a las diferencias semánticas en la comunicación numérica y a la rigidez de una estructura de roles homogénea. Sin embargo, los marcos de control recientes basados en modelos de lenguaje a gran escala (LLM) demuestran potentes capacidades de inferencia semántica al aprovechar un amplio conocimiento previo. Sin embargo, presentan dificultades para una navegación efectiva debido a un aprendizaje en línea insuficiente y a una dependencia excesiva del conocimiento previo estático. Para abordar estas limitaciones, este artículo propone RALLY, un algoritmo de navegación interactiva basado en LLM adaptativo a roles. RALLY mejora el rendimiento de la navegación colaborativa de sistemas multi-UAV mediante un marco de toma de decisiones semánticas basado en LLM que utiliza lenguaje natural estructurado, un mecanismo dinámico de heterogeneidad de roles para el cambio de roles y la toma de decisiones personalizada, y una estrategia de asignación de roles basada en RMIX que integra el conocimiento previo offline de LLM con las políticas online de MARL. Los resultados experimentales en plataformas de entorno de partículas multiagente (MPE) y software-in-the-loop (SITL) demuestran que RALLY supera a los métodos existentes en cobertura de tareas, velocidad de convergencia y rendimiento de generalización.
