摘要
智能代理人工智能（Agentic AI）能够支持无人机（UAV）自主性，在局部航点或设定点执行遇到阻塞、重复无进展行为或任务级模糊时提供高层次的恢复推理。然而，在物理无人机上，远程推理的有效性在于其选择性调用，因为每次调用都会引入延迟、资源成本、后端不确定性以及验证返回决策的需求。
本文提出了持久任务运行时（PMR），这是一个无人机恢复框架，旨在保持任务循环和安全关键执行的本地化，同时仅在需要时使用外部智能推理器作为恢复模块。该推理器从预定义的恢复技能中进行选择，每个返回的决策在影响飞行之前都必须经过解析、验证、安全过滤，并映射到本地执行器动作。
PMR引入了学习的认知调用价值（learned-CVI），这是一个紧凑的准入门控，估计何时远程智能推理可能会显著改善近期任务进展，以合理化其操作成本。在一个固定的400次运行的Gazebo/PX4基准测试中，学习的CVI使得在困难/模糊情境下的成功率从局部自主的5.0%提升至95.0%，并且比一次性和定期推理基准分别提高了20.0和32.5个百分点，同时减少了远程代理调用16.7%和记录的令牌29.2%，相较于手动调优的基于规则的调用基准。
博主点评： 本文提出了一种创新的无人机恢复框架，强调了选择性推理的重要性，展示了如何在保持本地执行的同时有效利用外部智能，显著提升了任务成功率与效率。此研究为无人机自主操作的未来发展提供了重要的理论基础和实践指导。