人工智能（AI）与新兴6G网络的融合为战术自主车辆系统中的可扩展协同带来了新机遇。本文提出了一种以通信为中心的分层架构，用于战术自主防御车辆网络（TADVN），该架构将边缘辅助的大语言模型（LLM）推理与6G赋能的连接及语义通信相结合。该框架旨在提升协同效率、降低通信开销，并在车队规模不断扩大的条件下增强延迟韧性。与依赖结构化特征处理和基于规则的协同的传统任务专用AI流水线不同，本文提出的方法在分层边缘-云通信架构中引入了语义抽象和上下文感知的决策支持。我们在受干扰网络条件下，针对5至30辆车的车队规模，通过蒙特卡罗仿真评估了通信与协同性能。结果表明，在30辆车规模下，相比基于5G的传统AI基线，6G–LLM配置实现了75.2%的延迟降低（29.1毫秒对比117.5毫秒）、任务成功率提升68.7个百分点（82.9%对比14.2%），以及通信开销降低88.6%。这些发现表明，将语义推理与低延迟6G连接相结合，能够在协同与通信方面带来可量化的优势。

人工智能（AI）正通过先进的数据分析以及在无人机、车辆和防御系统中的自主决策重塑军事技术。其集成应用已在后勤保障、车队管理、供应链优化和预测性维护等方面取得进展。除国防领域外，AI也在改变民用自动驾驶车辆（AV），推动更智能、更高效的交通运输[12]。在此背景下，战术自主防御车辆网络（TADVN）成为一项关键创新，它通过降低士兵风险并改善战场后勤与侦察，提供了战略优势。

然而，车队规模的战术自主网络面临着具体的通信瓶颈。随着协同车辆数量的增加，端到端延迟因网络争用和集中式处理延迟而增长，往往超过时间敏感行动中的关键决策阈值。高容量的原始传感器传输（如激光雷达、雷达、视频流）导致带宽饱和，而分布式协同需要单元间频繁的状态同步，进一步放大了开销。此外，对云端推理的依赖引入了额外的往返延迟，并增加了在受干扰或降级网络条件下的脆弱性。这些限制直接影响大规模场景下的协同可靠性和任务成功率。

解决这些限制需要降低通信开销、最小化对云端推理延迟的依赖，并在日益增长的车队密度下实现上下文感知的协同。6G网络提供了更低的空口延迟和更高的容量[3]，而LLM辅助的语义抽象使得交换任务相关信息而非原始传感器流成为可能，从而减少冗余传输并支持上下文感知的命令解读[6]。此外，基于无人机（UAV）和无人地面车辆（UGV）的TADVN相关研究持续演进，重点关注监视、情报和威胁缓解。尽管在AI、群体智能和人机协同方面取得了进展，但延迟和互操作性等挑战依然存在。

因此，本文做出以下贡献：（i）提出一种以通信为中心的分层架构，将6G赋能的连接性与边缘辅助的LLM语义协同相结合，专门设计用于限制车队规模扩大时的延迟累积和协同开销；（ii）构建结构化的语义抽象流水线，其中LLM生成的模式约束载荷替代原始多模态传感器流，将每辆车每个协同周期的传输数据量降至512字节以下；（iii）在受干扰网络条件下，针对5至30辆TADVN的车队规模进行基于蒙特卡罗仿真的评估，提供所提架构相对于四种基线配置的趋势级性能表征。所得结论本质上是架构性和趋势性的，基于IMT-2030目标参数下的仿真得出，而非物理6G部署，旨在随着下一代基础设施成熟推动硬件在环验证。

本文其余部分安排如下：第二节介绍所提框架，第三节概述关键的6G–LLM特性，第四节给出性能结果，第五节总结全文。