随着高速无人机在三维空中高速公路上的部署，协调物理飞行运动和多层网络切换成为关键挑战。深度强化学习（DRL）虽然能提供快速的战术控制，但在动态的综合陆地和非陆地网络（ITNTN）中缺乏零样本策略推理能力。相比之下，大语言模型（LLM）擅长语义推理，但推理延迟高，不适用于实时气动控制。
为解决这一矛盾，研究人员提出了一种新颖的分层LLM驱动控制框架。该框架在高空平台站（HAPS）上部署大规模云端LLM，负责慢时间尺度的全局负载均衡，确保整个无人机群的高效运行。同时，每架无人机上搭载轻量级边缘LLM，可以将局部观测转化为战术子目标。这些子目标随后引导快速时间尺度的物理DRL控制器，执行无碰撞且感知网络切换的轨迹。
仿真结果表明，与现有基线相比，这种智能体架构显著降低了碰撞率，并提高了系统的总吞吐量。该研究已正式被IEEE GLOBECOM 2026会议接收。论文作者包括Zijiang Yan等七位研究人员，论文编号arXiv:2607.18604。这一方法为未来三维空中交通管理中的智能导航提供了新的思路。