論文の概要: From Prompts to Protection: Large Language Model-Enabled In-Context Learning for Smart Public Safety UAV

• arxiv url: http://arxiv.org/abs/2506.02649v1
• Date: Tue, 03 Jun 2025 09:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.503136
• Title: From Prompts to Protection: Large Language Model-Enabled In-Context Learning for Smart Public Safety UAV
• Title（参考訳）: プロンプトから保護へ:スマート公衆安全UAVのための大規模言語モデルで実現可能なインコンテキスト学習
• Authors: Yousef Emami, Hao Zhou, Miguel Gutierrez Gaitan, Kai Li, Luis Almeida, Zhu Han,
• Abstract要約: 大規模言語モデル(LLM)は、インコンテキスト学習(ICL)を通じて新しいタスクに適応することができる。 本稿では, LLM 対応 ICL と公共安全UAV を連携させて, 経路計画や速度制御などの重要な機能を実現することを提案する。
• 参考スコア（独自算出の注目度）: 30.003257621176708
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A public safety Unmanned Aerial Vehicle (UAV) enhances situational awareness in emergency response. Its agility and ability to optimize mobility and establish Line-of-Sight (LoS) communication make it increasingly vital for managing emergencies such as disaster response, search and rescue, and wildfire monitoring. While Deep Reinforcement Learning (DRL) has been applied to optimize UAV navigation and control, its high training complexity, low sample efficiency, and simulation-to-reality gap limit its practicality in public safety. Recent advances in Large Language Models (LLMs) offer a compelling alternative. With strong reasoning and generalization capabilities, LLMs can adapt to new tasks through In-Context Learning (ICL), which enables task adaptation via natural language prompts and example-based guidance, without retraining. Deploying LLMs at the network edge, rather than in the cloud, further reduces latency and preserves data privacy, thereby making them suitable for real-time, mission-critical public safety UAVs. This paper proposes the integration of LLM-enabled ICL with public safety UAV to address the key functions, such as path planning and velocity control, in the context of emergency response. We present a case study on data collection scheduling where the LLM-enabled ICL framework can significantly reduce packet loss compared to conventional approaches, while also mitigating potential jailbreaking vulnerabilities. Finally, we discuss LLM optimizers and specify future research directions. The ICL framework enables adaptive, context-aware decision-making for public safety UAV, thus offering a lightweight and efficient solution for enhancing UAV autonomy and responsiveness in emergencies.
• Abstract（参考訳）: 公共安全無人航空機(UAV)は、緊急対応における状況認識を高める。 機動性を最適化し、Line-of-Sight (LoS) 通信を確立するための機敏さと能力は、災害対応、捜索救助、山火事監視といった緊急事態管理にますます不可欠になっている。 深層強化学習(DRL)は、UAVナビゲーションと制御の最適化に応用されているが、その訓練の複雑さ、サンプル効率の低さ、およびシミュレーションと現実のギャップは、公共の安全における実用性を制限している。 大規模言語モデル(LLM)の最近の進歩は、魅力的な代替手段を提供する。 強力な推論と一般化機能により、LLMはインコンテキスト学習(ICL)を通じて新しいタスクに適応することができる。 クラウドではなく、ネットワークエッジにLSMをデプロイすることで、レイテンシを低減し、データのプライバシを保護し、リアルタイムでミッションクリティカルな公共安全UAVに適合する。 本稿では, LLM 対応 ICL と公共安全UAV を連携させて, 経路計画や速度制御などの重要な機能を実現することを提案する。 本稿では, LLM 対応 ICL フレームワークが従来の手法に比べてパケットロスを著しく低減し, 潜在的なジェイルブレイク脆弱性を軽減できるデータ収集スケジューリングのケーススタディを提案する。 最後に, LLMオプティマイザについて検討し, 今後の研究方向性について述べる。 ICLフレームワークは、公共安全UAVに対して適応的でコンテキスト対応の意思決定を可能にするため、緊急時におけるUAVの自律性と応答性を高めるための軽量で効率的なソリューションを提供する。

関連論文リスト

• Invariance Makes LLM Unlearning Resilient Even to Unanticipated Downstream Fine-Tuning [36.531016992508505]
  機械学習は、大規模言語モデル(LLM)におけるプライバシーと安全性の懸念に対する有望な解決策を提供する 不変リスク最小化(IRM)に触発されて、非学習に初めて不変を導入する。 我々は、頑健性を高める正規化ベースのフレームワークである不変LLMアンラーニング(ILU)を提案する。
  論文  参考訳（メタデータ） (2025-06-02T05:38:43Z)
• LLM-Enabled In-Context Learning for Data Collection Scheduling in UAV-assisted Sensor Networks [1.3355457804095248]
  無人航空機 (UAV) は、様々な民間および商用用途で利用されている。 UAV-assisted Sensor Networks (UASNETs) やDeep Reinforcement Learning (DRL) で使用される機械学習(ML) は、複雑で長いモデルトレーニングのような課題に直面している。 本稿では,緊急時におけるDRLの代替として,ICLDC(In-Context Learning)に基づくデータ収集スケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2025-04-20T10:05:07Z)
• Integrating Large Language Models for UAV Control in Simulated Environments: A Modular Interaction Approach [0.3495246564946556]
  本研究では,UAV制御における大規模言語モデルの適用について検討する。 UAVが自然言語コマンドを解釈し、応答できるようにすることで、LLMはUAVの制御と使用を簡素化する。 本稿では,自律的な意思決定,動的なミッション計画,状況認識の向上,安全プロトコルの改善など,LCMがUAV技術に影響を与えるいくつかの重要な領域について論じる。
  論文  参考訳（メタデータ） (2024-10-23T06:56:53Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Large Language Models for UAVs: Current State and Pathways to the Future [6.85423435360359]
  無人航空機(UAV)は様々な分野にまたがるトランスフォーメーション技術として登場した。 この研究は、自律システムの開発を促進するために、UAVとLarge Language Models(LLM)を統合する大きな可能性を探求する。
  論文  参考訳（メタデータ） (2024-05-02T21:30:10Z)
• ROSE Doesn't Do That: Boosting the Safety of Instruction-Tuned Large Language Models with Reverse Prompt Contrastive Decoding [89.0074567748505]
  本稿では,既存の命令調整LDMの安全性を高めるための簡易な手法であるROSE(Reverse prompt contrastive decoding)を提案する。 6つの安全性と2つの汎用タスクの実験から、ROSEは5種類の命令調整LDMに対して、一貫した、重要な安全性向上(+13.8%の安全性スコア)をもたらすだけでなく、LLMの汎用能力にも恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2024-02-19T06:58:42Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。