Structured Delivery Requests

Structured Delivery Requests数据集由MSA大学计算机科学学院创建，用于支持无人机即服务（DaaS）操作的自动化。该数据集包含5000条结构化请求，每条请求详细记录了请求ID、起始节点、目标节点和负载重量等信息。数据集通过Prompt Engineering技术生成自然语言的自由文本请求，用于微调LLM模型，使其能够将用户输入的自由文本转换为结构化的DaaS操作请求。该数据集主要应用于无人机配送任务的自动化处理，旨在提高无人机服务的效率和准确性。

The Structured Delivery Requests dataset was created by the College of Computer Science, MSA University to support the automation of Drone-as-a-Service (DaaS) operations. This dataset comprises 5,000 structured delivery requests, each of which documents detailed information including request ID, origin node, destination node, and load weight. The dataset generates natural language free-text requests through Prompt Engineering techniques, which are utilized to fine-tune Large Language Models (LLMs) to enable the models to convert user-submitted free-text inputs into structured DaaS operation requests. This dataset is primarily applied to the automated processing of drone delivery tasks, with the goal of enhancing the efficiency and accuracy of drone services.

搜集汇总

数据集介绍

构建方式

Structured Delivery Requests数据集的构建基于LLM-DaaS框架，该框架通过微调多种大型语言模型（如Phi-3.5、LLaMA-3.2 7b和Gemma 2b），将用户的自由文本请求映射为结构化的无人机服务请求。首先，研究人员通过提示工程生成了5000条结构化交付请求，并利用ChatGPT将其转换为自然语言形式的自由文本请求。这种双格式数据集用于微调LLM，使其能够从用户输入中提取关键信息，如交付时间、源地址、目的地和包裹重量。此外，系统还集成了实时天气数据，以优化无人机的路径规划和调度。

特点

Structured Delivery Requests数据集的特点在于其能够将自由文本形式的用户请求自动转换为结构化的无人机服务任务。数据集不仅包含了详细的交付请求信息，如请求ID、起始节点、目标节点和包裹重量，还通过微调的LLM模型实现了对自然语言的高效解析。此外，数据集还结合了实时天气数据，确保无人机在不确定环境下的安全与高效运行。这种结构化的数据格式为无人机服务的自动化操作提供了坚实的基础，显著提高了任务准确性和操作效率。

使用方法

Structured Delivery Requests数据集的使用方法主要围绕LLM-DaaS框架展开。用户可以通过自由对话的方式提交交付请求，系统利用微调的LLM模型从文本中提取关键信息，并生成结构化的交付请求。随后，系统根据这些结构化数据选择最适合的无人机，并优化其飞行路径和调度。数据集还可用于评估不同LLM模型在文本到结构化数据转换中的性能，通过G-Eval等指标量化模型的准确性和效率。此外，数据集中的天气数据可用于模拟不同环境条件下的无人机操作，帮助研究人员进一步优化路径规划和任务分配算法。

背景与挑战

背景概述

Structured Delivery Requests数据集由Lillian Wassim、Kamal Mohamed和Ali Hamdi等研究人员于2024年提出，旨在支持无人机即服务（DaaS）领域的自动化操作。该数据集的核心研究问题是如何将用户提供的自由文本请求转化为结构化的无人机操作任务，以应对复杂和不确定的环境条件。通过结合大语言模型（LLMs）和实时气象数据，该数据集为无人机路径规划、任务分配和服务调度提供了关键支持。其创新性在于通过LLMs的微调，实现了从非结构化文本到结构化数据的无缝转换，显著提升了无人机服务的效率和准确性。该数据集对无人机物流、城市配送等领域具有重要影响力，推动了DaaS技术在商业和工业应用中的进一步发展。

当前挑战

Structured Delivery Requests数据集面临的主要挑战包括两个方面。首先，在领域问题方面，无人机服务在不确定环境中的操作效率和安全性问题亟待解决。例如，恶劣天气条件可能导致无人机飞行不稳定，增加任务失败的风险。此外，用户通常以自由文本形式提交请求，如何准确提取关键信息（如交付时间、起点和终点位置、包裹重量）并将其转化为结构化数据，是自动化无人机操作的核心挑战。其次，在数据集构建过程中，研究人员需要克服LLMs在理解复杂自然语言输入时的局限性，确保模型能够准确识别和映射用户请求中的关键实体。同时，实时气象数据的集成和动态路径规划的优化也增加了数据集的复杂性，要求系统能够快速适应环境变化并做出实时决策。

常用场景

经典使用场景

在无人机即服务（DaaS）领域，Structured Delivery Requests数据集被广泛应用于将用户的自由文本请求转化为结构化的无人机操作任务。通过使用大型语言模型（LLMs）进行微调，该数据集能够从用户的自然语言输入中提取关键信息，如交付时间、起始和目的地位置以及包裹重量，从而生成可执行的无人机任务。这一过程不仅提高了任务处理的自动化水平，还显著提升了无人机服务的效率和准确性。

衍生相关工作

Structured Delivery Requests数据集衍生了一系列经典研究工作，特别是在无人机即服务（DaaS）和自然语言处理（NLP）的交叉领域。例如，基于该数据集的研究推动了LLMs在无人机任务自动化中的应用，开发了能够处理复杂用户请求的智能系统。此外，该数据集还为无人机路径规划、动态天气适应以及多无人机协同操作等研究提供了重要的数据支持，推动了无人机技术在商业和工业应用中的进一步发展。

数据集最近研究

最新研究方向

近年来，随着无人机即服务（DaaS）在商业和工业应用中的快速发展，如何高效处理用户自然语言请求并优化无人机操作成为研究热点。LLM-DaaS框架通过结合大语言模型（LLMs）与实时气象数据，实现了从非结构化文本到结构化无人机任务的自动化转换。该框架的核心在于利用LLMs提取用户请求中的关键信息，如交付时间、起点、目的地和包裹重量，并结合动态无人机选择与路径规划模型，确保在不确定环境下的高效与安全操作。此外，实时气象数据的集成进一步优化了无人机的飞行路径与调度，显著提升了任务准确性与操作效率。这一研究方向不仅解决了DaaS平台在处理用户请求时的结构化数据需求，还为无人机在复杂环境中的应用提供了新的解决方案，推动了DaaS在物流、农业监测等领域的广泛应用。

相关研究论文

• LLM-DaaS: LLM-driven Drone-as-a-Service Operations from Text User Requests

  MSA大学计算机科学学院 · 2024年