1.一种基于大语言模型的多无人机任务规划方法，其特征在于，包括以下步骤：

11）建立场景信息数据集：明确多无人机系统运用场景目标领域范围，收集领域范围内的数据和信息，并结合无人机信息对数据进行整理、标注、验证、修订、扩充，建立包含无人机及其功能信息的场景信息数据集；

12）建立知识图谱本体模型：对场景信息数据集进行实体识别，确定概念和实体集合，汇总并总结转换为知识图谱模型中的实体和关系，确定实体之间的关系，构建该多无人机系统的知识图谱本体模型；

13）使用领域知识进行大语言模型的微调：利用所整理收集到的场景信息数据集，通过微调策略对大语言模型进行微调并进行评估和优化；

14）大语言模型的输入：抽取场景信息数据集中的信息，形成结构化数据，结合已构建的知识图谱本体模型，建立该多无人机系统的知识图谱；将外界不断更新以及多无人机系统运行过程中所收集的数据及场景信息，不断地通过大语言模型提取新数据中的实体和关系，扩展和更新到构建的知识图谱中，并将不断更新的知识图谱输入到大语言模型中；

15）通过知识萃取不断补全知识图谱；

16）针对多无人机系统任务做可解释性的决策或规划；

所述针对多无人机系统任务做可解释性的决策或规划包括以下步骤：

161）利用大语言模型输出任务规划方案：

1611）明确定义多无人系统所指派任务的目标、约束和限制条件，即任务的输入和输出要求所需的资源和约束条件，确保多无人机系统中已有资源能够满足任务规划的需求；

1612）根据所明确的任务指令所需资源和约束条件，以及任务的目标，设计提示；通过提示工程完善所设计的提示；

1613）调整提示使得下游任务适应微调后的大语言模型，最后将提示输入到大语言模型中，通过大语言模型输出多无人机任务的任务规划方案；

162）利用多无人机系统知识图谱辅助输出任务规划方案：

1621）检测、查验多无人机系统知识图谱的结构和内容是否能够覆盖所指派任务所涉及的信息，包括多无人机系统状态信息、位置信息、功能信息、资源信息、分解方法信息；

1622）将大语言模型输出的任务规划路径映射到多无人机系统知识图谱中，通过使用图搜索的方式，将大语言模型输出的任务规划方案与知识图谱中节点或边进行对应，在知识图谱中检验大语言模型输出的规划方法的可行性；

1623）针对所指派的多无人机任务，通过知识图谱的推理和图搜索机制，使知识图谱根据任务要求获取当前多无人机系统中已有无人机的相关信息、以辅助推导逻辑关系，生成任务规划方案；

1624）对所作任务规划方案做解释或可视化，输出多无人机任务的解决策略的同时，提供解释或可视化的方式来展示知识图谱决策搜索路径；

17）对所作规划方案进行评价及融合：定义评价指标作为衡量知识图谱和大语言模型所输出策略质量的标准，使用定义的评价指标对知识图谱输出的策略和大语言模型输出的策略分别进行评估并分配权重；根据评价指标的权重以及评估结果，对知识图谱输出的策略和大语言模型输出的策略进行择优选取并融合以得到一个综合的最优策略；根据融合后的综合策略，进行进一步的优化和调整，其包括对无人机相关参数的调整、策略的细化和改进；将进一步优化后的融合综合策略作为多无人机的任务规划方案。

2.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述建立场景信息数据集包括以下步骤：

21）获取多无人机系统应用需求，即明确多无人机系统应用的目标领域的范围，其包括涵盖的任务类型、环境特征、无人机种类及其能力；

22）通过在线资源、传感器收集的方式，收集与当前领域相关的知识信息，构建出场景信息数据集；

221）将收集到的知识整理成易于处理的形式，将非结构化数据、半结构化数据及结构化数据，建立成多无人机系统的数据集；

对数据集中的数据进行标注，正确标注出数据集中的实体和关系，并对构建的数据集进行验证，确保数据的准确性和一致性，修订数据中存在的错误并补全缺省信息；

222）通过数据增强技术及自动化抽取方式，从不易处理的非结构化数据中提取有效信息以扩充数据集，以增加数据量及数据的多样性。

3.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述建立知识图谱本体模型包括以下步骤：

31）通过大语言模型抽取场景信息数据集中多无人机任务规划领域中数据信息，包括无人机种类、传感器信息、无人机机载设备、无人机能源、续航的实体和属性；

32）将所抽取的实体、属性，通过三元组形式进行表示，即[头实体，关系，尾实体]形式，并通过文本分析和关系抽取技术识别和提取实体之间的关系，根据已有三元组实体对，归纳多无人机任务规划系统领域的标签，并通过大语言模型对已有的三元组实体对进行归类；

33）使用知识图谱本体构建工具来建立多无人机系统的知识图谱本体模型；将三元组实体对中的属性、实体和关系转化为知识图谱中的节点和边，根据已构建的知识图谱本体模型，补充三元组实例，建立多无人机系统知识图谱；

34）对建立的知识图谱本体模型进行校验和验证，确保知识图谱本体模型的准确性和一致性，检查实体和关系之间的链接是否正确、属性是否完整和准确。

4.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述使用领域知识进行大语言模型的微调包括以下步骤：

41）设定大语言模型在已有的多无人机领域数据基础上对于多无人机任务的目标预期，采用参数高效微调方法对大语言模型模型进行微调；

42）根据微调目标及设备资源，从所收集到用于预训练的数据集中提取样本用于微调，并以设定的微调目标为准不断调整模型的参数；

43）选取公开的有效数据集或自行构建的测试集数据对微调后的大模型进行测试，当微调达到设定的模型性能后，将微调后的模型部署到实际应用中。

5.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述大语言模型的输入包括以下步骤：

51）将大语言模型所识别和抽取的形式化数据，以及多无人机系统在实际场景运行过程中传感器收集到的信息，整理为形如[头实体，关系，尾实体]的三元组形式；

52）将已有三元组对中的实体与知识图谱本体模型中定义的实体进行链接，建立实体与数据之间的对应关系，逐步将形式化数据根据知识图谱本体模型输入到知识图谱的节点中，并存储在图数据库或存储系统中；

53）将知识图谱中的数据转换为输入形式，结合构建的提示输入到大语言模型中，作为大语言模型针对领域任务决策的知识库及依据；并将构建好的知识图谱数据进行共享、定期维护和更新。

6.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述通过知识萃取不断补全知识图谱包括以下步骤：

61）根据知识图谱中已有的实体和关系，设计针对多无人机任务规划系统领域知识萃取的提示，通过将多无人机系统知识图谱中的实体或属性以及所设计的提示作为输入，以生成与之相关的实体、关系及属性；

62）对大语言模型所知识萃取得到的实体或关系，重复利用提示的机制，引导大语言模型进一步萃取新的实体、关系或属性，直至无新的知识出现；

63）对于大语言模型所萃取的新实体对，使用三元组(h,r,t)向量化表示，并通过语义匹配模型或评价函数对三元组实体对的合理性进行评价以进行筛选和验证。

7.根据权利要求1所述的一种基于大语言模型的多无人机任务规划方法，其特征在于，所述对所作规划方案进行评价及融合包括以下步骤：

71）评估所作决策的可行性和正确性：

为验证所作决策的可行性，对于大语言模型所作决策方案，通过结合到多无人机系统知识图谱中，以检验任务解决方案在图谱中是否存在一致的节点、路径，并比较大语言模型所预测多无人机系统最终结果状态与任务规划的预期目标是否一致，以验证该决策方案的可行性；对于知识图谱所作决策，检查输出的决策方案是否符合场景约束条件，以及决策方案中所调用的实体、资源，现有系统是否满足以验证该决策方案的可行性；

为验证所作决策的正确性，对于多无人机系统知识图谱及大语言模型所作决策，分别通过在多无人机模拟运行环境或实际场景中运行以验证二者所作决策的正确性；

72）设定指标、评价决策并分阶段评估：

在对两种方案的可行性和正确性进行分析后，设定指标辅助评估决策性能，指标包括任务完成时间、资源利用率、执行效率；将决策方案划分多个阶段，对于不同阶段利用指标对知识图谱和大语言模型所作决策方案进行评估；

73）分阶段择优选取所作决策，并融合：

对于不同的指标赋予不同的权重，通过对各个指标进行加权评价以得到各阶段两种方案的得分，以辅助进行择优选取，最终融合以得到一个综合的最优解决策略。