隨著高速無人機在三維空中高速公路上的部署，協調物理飛行運動和多層網路切換成為關鍵挑戰。深度強化學習（DRL）雖然能提供快速的戰術控制，但在動態的綜合陸地和非陸地網路（ITNTN）中缺乏零樣本策略推理能力。相比之下，大語言模型（LLM）擅長語義推理，但推理延遲高，不適用於即時氣動控制。
為解決這一矛盾，研究人員提出了一種新穎的分層LLM驅動控制框架。該框架在高空平臺站（HAPS）上部署大規模雲端LLM，負責慢時間尺度的全域性負載均衡，確保整個無人機群的高效執行。同時，每架無人機上搭載輕量級邊緣LLM，可以將區域性觀測轉化為戰術子目標。這些子目標隨後引導快速時間尺度的物理DRL控制器，執行無碰撞且感知網路切換的軌跡。
模擬結果表明，與現有基線相比，這種智慧體架構顯著降低了碰撞率，並提高了系統的總吞吐量。該研究已正式被IEEE GLOBECOM 2026會議接收。論文作者包括Zijiang Yan等七位研究人員，論文編號arXiv:2607.18604。這一方法為未來三維空中交通管理中的智慧導航提供了新的思路。