Generative AI-Enabled Mission-Aware Radio Orchestration for RIS-Assisted LEO Satellite ISAC Systems

📄 arXiv: 2608.25803v1 📥 PDF

作者: Fitsum Debebe Tilahun, Chung G. Kang

分类: cs.NI, eess.SY

发布日期: 2026-08-26

💡 一句话要点

提出生成式AI驱动的无线电编排框架以适应LEO卫星ISAC系统

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式AI 无线电编排 低地球轨道卫星 任务自适应 集成感知与通信 物理层优化 大型语言模型 资源管理

📋 核心要点

  1. 现有的LEO卫星网络在任务变化时难以灵活调整无线电资源，影响通信和感知的效率。
  2. 论文提出的框架利用生成式AI将任务转化为结构化策略，结合传统无线优化，实现快速适应。
  3. 实验结果显示，LLM-ZS和LLM-ICL在优先级顺序准确性上有显著提升，验证了方法的有效性。

📝 摘要（中文）

本文针对任务自适应的低地球轨道（LEO）卫星网络，提出了一种生成式AI驱动的无线电编排框架。该框架利用大型语言模型（LLM）将每个任务映射为结构化策略，涵盖通信、感知、公平性权重、服务质量阈值等要素。通过确定性验证和物理层优化，确保策略的可行性并实现波束、功率和可重构智能表面的配置。实验表明，LLM-ZS和LLM-ICL在优先级顺序准确性上分别达到91.7%和94.4%，展示了生成式AI在下一代无线电编排中的潜力。

🔬 方法详解

问题定义：本文旨在解决低地球轨道卫星网络在任务变化时无线电资源的灵活调整问题。现有方法在应对动态任务时缺乏有效的适应能力，导致资源配置不合理。

核心思路：论文提出的生成式AI驱动的无线电编排框架，通过大型语言模型（LLM）将任务转化为结构化策略，结合物理层优化，实现高效的资源管理和配置。

技术框架：整体架构包括任务解析、策略生成、物理层优化等模块。首先，LLM解析任务并生成相应的策略；然后，通过确定性验证确保策略的可行性；最后，进行物理层的波束和功率配置。

关键创新：最重要的创新在于将生成式AI与传统无线优化相结合，实现了在任务时间尺度上的语义适应，同时保持了在信道时间尺度上的快速优化。这种混合时间尺度设计显著提升了系统的灵活性和效率。

关键设计：在设计中，设置了通信、感知和公平性权重等参数，并采用了明确的交替优化策略，以保持优化过程中的质量排序。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，LLM-ZS和LLM-ICL在优先级顺序准确性上分别达到了91.7%和94.4%。尽管两者在下游无线电性能上的差异未能统计显著，但LLM-ICL在数值校准上表现更佳，展示了生成式AI在无线电编排中的有效性。

🎯 应用场景

该研究的潜在应用领域包括卫星通信、无人机网络和智能交通系统等。通过提高无线电资源的适应性和优化能力，可以显著提升这些领域的通信效率和服务质量，具有重要的实际价值和未来影响。

📄 摘要（原文）

Mission-adaptive low-Earth-orbit (LEO) satellite networks with integrated sensing and communication (ISAC) must retarget radio resources as operator goals change. To enable this adaptation from flexible operator language, we develop a generative-AI-enabled radio-orchestration framework in which a large language model (LLM) maps each mission into a structured policy comprising communication, sensing, and fairness weights, mandatory quality-of-service thresholds, power-allocation guidance, and solver initialization. Deterministic validation and physical-layer optimization then enforce feasibility and realize the policy through beam, power, and reconfigurable intelligent surface (RIS) configuration. This mixed-timescale design uses generative AI for semantic adaptation at the mission timescale while retaining conventional wireless optimization at the faster channel timescale. We compare zero-shot (LLM-ZS) and in-context (LLM-ICL) operation on familiar and held-out compositional missions. On held-out instructions, LLM-ZS and LLM-ICL achieve $91.7\%$ and $94.4\%$ priority-order accuracy, respectively, with ICL mainly improving numerical calibration. Their downstream radio-performance difference is statistically unresolved because both usually recover the hard constraints that determine admissible actions. Accordingly, LLM-ZS is the low-context default, while LLM-ICL is useful for semantically difficult missions requiring finer calibration. Explicit alternating optimization preserves the qualitative ordering when active beams and RIS phases are optimized directly. The results show how generative AI can enhance next-generation radio orchestration without replacing feasibility-critical physical-layer optimization.