Fine-tuning of large language models for obstacle circumvention in path planning via chain-of-thought reasoning

飞行器在复杂环境中的自主路径规划是保障航行安全和任务成功的关键, 这要求规划系统必须同时满足实时避障与战略导航的双重要求. 然而, 现有方法在应对动态障碍物分布、环境不确定性以及现实约束时, 通常在鲁棒性、泛化能力和计算效率等方面存在不足. 针对这一问题, 本文提出了一种两阶段的大语言模型(LLM)驱动的飞行器路径规划方法, 充分利用了LLM的空间推理与泛化能力. 在第一阶段, 无需依赖传统的建图与搜索模块, 直接通过结构化环境描述和任务提示模板引导模型生成可行的绕飞路径; 在第二阶段, 构建高质量的思维链绕飞推理路径样本, 并通过有监督微调提升模型对空间结构的理解和路径输出的稳定性, 实现从通用模型到任务专用模型的平滑过渡. 实验结果表明, 在高复杂度场景下, 该方法在绕飞成功率、路径合理性以及未知环境适应性方面均表现出显著提升, 这不仅验证了LLM在结构化空间任务中的可行性与优势, 也为现实约束条件下的智能航空导航提供了新的解决方案.