Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Large language model assisted scheduling of collaborative aerial-ground system for emergency reconnaissance

Descrizione del progetto

Intervento di emergenza grazie all’integrazione tra IA e sistemi di droni e terrestri

In situazioni di crisi, l’efficacia delle operazioni di emergenza dipende da un coordinamento rapido, affidabile e intelligente tra droni e sistemi a terra in condizioni altamente dinamiche e incerte. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto EASIER sta sviluppando un sistema di risposta basato sull’IA (intelligenza artificiale) che sia in grado di generare automaticamente piani operativi di emergenza usando modelli linguistici su larga scala. Inoltre, sta lavorando alla creazione di tecniche avanzate di ottimizzazione e di apprendimento per rinforzo che riescano a bilanciare obiettivi contrastanti (tempestività, copertura dell’area, allocazione delle risorse), compresa la gestione dell’incertezza in merito all’esaurimento dell’energia dei droni. Migliorando il modo in cui i droni e i sistemi di terra vengono coordinati in emergenze complesse e incerte, EASIER contribuirà, in ultima analisi, a salvare vite umane e a ridurre le conseguenze delle catastrofi.

Obiettivo

EASIER is an ambitious interdisciplinary project that aims to address aerial-ground collaborative emergency response scheduling by integrating cutting-edge artificial intelligence with advanced optimization methods. Emergency response scenarios, such as flood reconnaissance, wildfire monitoring, or search-and-rescue, require rapid, flexible, and reliable scheduling solutions. However, current optimization methods are either too rigid, too expert-dependent, or insufficiently robust to handle the uncertainties and dynamic nature of real operations.

To address these challenges, EASIER builds on three methodological pillars: (i) a large language model-assisted multi-agent scheduling framework that lowers the expertise barrier by translating natural-language mission requirements into structured problem definitions and solver configurations; (ii) a multi-objective optimization solver that combines knowledge-driven heuristics and data-driven transfer learning to efficiently balance competing performance criteria; and (iii) a robust optimization solver hybridized with reinforcement learning to effectively manage uncertainties in UAV endurance. The two solvers and existing exact solvers will be integrated into the scheduling framework and validated on a high-fidelity simulation platform, ensuring both technical feasibility and operational relevance.

The originality of EASIER lies in its seamless combination of generative AI, optimization theory, and reinforcement learning in the context of aerial-ground collaboration, making it the first systematic attempt to bridge human natural-language intent with operational scheduling algorithms. The project will not only advance scientific knowledge but also deliver practical open-access tools that enhance the flexibility, robustness, and accessibility of emergency response services across Europe, in line with the EU Drone Strategy 2.0.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

QUEEN MARY UNIVERSITY OF LONDON
Contributo netto dell'UE
€ 260 347,92
Costo totale
Nessun dato