Cet article se concentre sur le contrôle intelligent de plusieurs essaims de drones. Les approches d'apprentissage par renforcement multi-agents (MARL) existantes souffrent d'une faible généralisation et d'une évolutivité limitée en raison des différences sémantiques dans la communication numérique et de la rigidité d'une structure de rôles homogène. Les cadres de contrôle récents basés sur des modèles de langage à grande échelle (LLM) démontrent cependant de puissantes capacités d'inférence sémantique en exploitant de vastes connaissances préalables. Cependant, ils peinent à assurer une navigation efficace en raison d'un apprentissage en ligne insuffisant et d'une dépendance excessive aux connaissances préalables statiques. Pour pallier ces limitations, cet article propose RALLY, un algorithme de navigation interactive basé sur le LLM et adaptatif aux rôles. RALLY améliore les performances de navigation collaborative des systèmes multi-UAV grâce à un cadre de prise de décision sémantique basé sur le LLM qui utilise un langage naturel structuré, un mécanisme dynamique d'hétérogénéité des rôles pour le changement de rôle et la prise de décision personnalisée, et une stratégie d'attribution de rôles basée sur RMIX qui intègre les connaissances préalables hors ligne du LLM aux politiques en ligne du MARL. Les résultats expérimentaux sur les plateformes d'environnement de particules multi-agents (MPE) et de logiciel dans la boucle (SITL) démontrent que RALLY surpasse les méthodes existantes en termes de couverture des tâches, de vitesse de convergence et de performances de généralisation.
