向开放世界空中目标导航的全新基准与零样本智能体

摘要
空中导航是具身智能中一项基础但尚未被充分探索的能力，它使智能体能够在大规模、非结构化环境中执行任务，而传统导航范式在这类场景中往往难以胜任。然而，现有大多数研究遵循“视觉-语言导航（VLN）”范式，该范式高度依赖顺序性的语言指令，从而限制了其可扩展性与自主性。
为弥补这一空白，我们提出 UAV-ON：一个面向开放世界环境、由空中智能体执行的大规模目标导向导航（Object Goal Navigation, ObjectNav）基准。在该基准中，智能体基于高层语义目标开展任务，而不依赖 VLN 中的细粒度步骤式指令。UAV-ON 包含 14 个基于 Unreal Engine 构建的高保真环境，具有多样的语义区域与复杂的空间布局，覆盖城市、自然以及混合用途场景。基准定义了 1270 个带标注的目标对象，每个对象都对应一条实例级指令，指令编码了目标的类别、物理占地/尺度以及视觉描述，从而支持具身的语义落地与推理。这些指令作为语义目标，也引入了更贴近真实世界的歧义与复杂推理挑战。
为评估该基准，我们实现了多个基线方法，其中包括 Aerial ObjectNav Agent (AOA)——一种模块化策略，它融合指令语义与自我视角观测，支持长时域、目标驱动的探索。实验结果表明，所有基线在该设置下都表现吃力，凸显出空中导航与语义目标落地叠加后的复合挑战。UAV-ON 旨在推动研究走向一种由语义目标描述驱动的、可扩展的 UAV 自主能力，使其能够在复杂真实世界环境中运行。医疗howto 城市设计 大模型 房地产开发 房地产科技 城市规划 建筑留学