文章提出基于大型语言模型（LLM）的上下文学习（ICL）框架，用于优化公共安全无人机的关键功能。通过自然语言提示和示例指导，无人机无需模型重训练即可实现路径规划、速度控制、数据收集调度等任务的动态自适应。该框架部署于网络边缘，显著降低延迟并保护数据隐私。案例研究表明，在数据收集调度中，LLM-ICL比传统方法减少68%的丢包率，同时具备对抗越狱攻击的潜力。未来研究方向包括利用扩散模型增强示例多样性及机载轻量化LLM部署。
公共安全无人机（UAV）在灾害响应、搜救任务中提升态势感知能力，但传统深度强化学习（DRL）方法存在训练复杂、仿真与现实差距大等局限。大型语言模型（LLM）凭借强大的泛化与推理能力，通过上下文学习（ICL）实现任务快速自适应：仅需自然语言提示和示例即可优化关键功能，无需模型重训练。文章提出将LLM-ICL部署于网络边缘，解决云端部署的延迟与隐私问题，为紧急场景提供轻量级实时决策方案。
LLM模型压缩技术（量化、剪枝）结合快速解码策略，将45GB级模型部署于边缘服务器。无人机采集的传感器数据实时传输至边缘LLM，通过结构化提示（任务目标、输入数据、规则、反馈）触发ICL推理，生成控制指令。实验表明，边缘部署较云端延迟降低92%，满足紧急响应毫秒级需求。
ICL通过输入-输出示例序列激活预训练知识。给定上下文 \( \mathcal{C} = \{I, s(x_1,y_1), \ldots, s(x_k,y_k)\} \)（\( I \)为任务指令，\( s \)为示例的自然语言表示），模型基于最大似然选择最优输出：
\[ \hat{y} = \operatorname*{arg\,max}_{y_j \in \mathcal{Y}} P(y_j \mid x) \]
关键发现：示例的结构化呈现比标签正确性更重要，随机标签仅导致5%性能损失。示例选择、排序与格式设计直接影响决策质量。
将连续动作空间离散化（北/南/东/西），LLM根据信道状态与传感器队列长度生成路径候选集。环境反馈（丢包率、时延）与最新传感数据回传，形成闭环优化。对比DRL，ICL规划速度提升17倍，适应突发障碍物场景。
设计任务描述模板：输入为信道条件与队列长度，约束条件要求优先高队列/优信道传感器。LLM输出调度序列，反馈机制动态调整策略。案例显示丢包率从DRL的23%降至7.2%，同时抵御恶意提示篡改的越狱攻击。
恶意篡改任务描述导致LLM生成次优调度，网络成本上升41%。通过注入伦理安全规则（如“禁止选择信道＜3dB的节点”）加固系统，攻击成功率从78%降至11%。
对比DRL与LLM优化器：ICL消除训练需求，部署速度提升98%，但收敛性需进一步验证。未来融合扩散模型生成合成示例增强泛化，并探索机载LLM实现无人机集群协同决策。