Dans les opérations de recherche et de sauvetage (SAR) après un désastre, les véhicules aériens sans pilote (UAV) sont des outils essentiels, mais le grand volume de données visuelles brutes submerge souvent les opérateurs humains en fournissant des informations isolées et sans contexte. Cet article présente un système innovant avec une architecture agentique cognitive novatrice qui transforme l'UAV d'un outil intelligent en un partenaire de raisonnement proactif. L'innovation principale réside dans la capacité du LLM à effectuer un raisonnement sémantique de haut niveau, une validation logique et une auto-correction robuste grâce à des boucles de rétroaction internes. Un module de perception visuelle basé sur un modèle YOLO11 personnalisé alimente le noyau cognitif, qui effectue une analyse contextuelle et une évaluation des risques, permettant un cycle complet de perception-raisonnement-action. Le système incorpore également un module de livraison de charge utile physique pour les fournitures de premiers secours, qui agit sur des recommandations prioritaires et exploitables pour réduire la charge cognitive de l'opérateur et accélérer l'assistance aux victimes. Ce travail présente donc la première architecture de ce type, pilotée par LLM, transformant un drone d'un simple outil de collecte de données en un partenaire de raisonnement proactif et démontrant un chemin viable vers la réduction de la charge cognitive des opérateurs lors de missions critiques.
Găitan et al. (Mon,) ont étudié cette question.