تسير التكنولوجيا نحو مستقبل أكثر ارتباطًا وفاعلية، ومع ظهور الشبكات الاقتصادية منخفضة الارتفاع (Low-Altitude Economy Networks)، أصبح من الممكن تطوير تطبيقات متنوعة تشمل المراقبة الجوية، استشعار البيئة، وجمع البيانات الدلالية. في قلب هذه التطورات، تُعد الطائرات المسيرة (UAVs) المجهزة بنماذج الرؤية واللغة (Vision-Language Models) أداة قوية لتعزيز استنتاجات متعددة الأبعاد في الوقت الحقيقي.

تواجه هذه النماذج تحديات ملحوظة، أبرزها دقة الاستنتاج وكفاءة الاتصال، نتيجة للموارد المحدودة على متن الطائرة وظروف الشبكة الديناميكية. ولقد قدمت الدراسة الأخيرة نظاماً نموذجياً خاصًا بالشبكات الاقتصادية منخفضة الارتفاع المدعومة بالطائرات المسيرة، يدمج بين حركة الطائرة، الاتصالات بين المستخدم والطائرة، وعملية الإجابة على الأسئلة البصرية (Visual Question Answering).

اعتمد الباحثون على صياغة مشكلة تحسين غير محدبة مع قيود دقيقة، تهدف إلى تقليل زمن التنفيذ واستهلاك الطاقة تحت قيود دقة محددة من قبل المستخدم. ولتسهيل ذلك، تم تصميم إطار عمل هرمي مكون من خوارزمية تحسين الموارد وتخصيص الطاقة (Alternating Resolution and Power Optimization - ARPO) لتحسين تخصيص الموارد، وخوارزمية تعلم التعزيز المدعومة بنموذج لغوي كبير (LLM-augmented Reinforcement Learning Approach - LLaRA) لتحسين مسار الطائرة بشكل تطبيقي.

نموذج اللغة الكبير، يعمل كخبير في تحسين تصميم المكافآت في التعلم التعزيزي دون التسبب في تأخير إضافي في اتخاذ القرارات في الوقت الحقيقي. أظهرت النتائج العددية فعالية هذا الإطار في تحسين أداء الاستنتاج وكفاءة الاتصال تحت ظروف الشبكة الديناميكية، مما يسلط الضوء على الدور المتزايد للذكاء الاصطناعي في تعزيز تقنيات الطائرات المسيرة.