在电动垂直起降（eVTOL）飞机的实际部署中，缩小人类飞行员意图与自主飞行操作之间的差距至关重要。传统的飞行计划依赖经典算法，但这些算法难以融入灵活的人类偏好。我们提出了FRAMe，一个基于端到端大语言模型（LLM）的飞行计划工具，结合了RAG记忆和多模态教练代理。
我们的系统集成了一个规划LLM与一个多模态教练代理，以及基于检索增强生成（RAG）的记忆，以生成满足任务约束并与人类飞行操作员偏好一致的飞行计划。我们在多种真实世界启发的场景中展示了该系统，难度各异。
在四个LLM中，完整的FRAMe系统（包括RAG和教练）在每个规划器上均实现了最高有效性（总计93.8%，在最强规划器的简单场景中达到99%），并在有提升空间的指标上向操作员偏好的方向移动。FRAMe彰显了先进的LLM如何用于以人为本的任务规划，将自然语言指令转化为安全、高效和灵活的飞行路线。代码可在 GitHub 获取。
博主点评： FRAMe系统展示了如何将现代LLM技术应用于复杂的飞行计划任务，尤其是在与人类操作员的交互上。通过RAG记忆和多模态教练的组合，FRAMe不仅提高了飞行计划的有效性，还确保了操作员的偏好被充分考虑，这为未来的自主飞行技术提供了重要的启示。