序号	属性	值
1	论文名称	UAV-VLA：面向大规模空中任务生成的视觉-语言-动作系统
2	发表时间/位置	2025/HRI
3	Code	Sautenich/UAV-VLA: Official repo to UAV-VLA HRI 2025 paper
4	创新点	自然语言生成航线：用户只需要用文字指令描述任务，无人机就能生成对应的飞行计划。 全球尺度的评估基准：UAV-VLPA-nano-30：提供 30 张高分辨率卫星图和人工规划航线，用于评估无人机系统的路径生成能力。 效率显著提升：系统生成的航线平均比人工规划长 21.6%，但生成速度快 6.5 倍。 语言驱动路径规划：首次尝试让无人机根据语言直接生成航线和动作序列，而不是手动规划。 But: 这篇论文显得很单薄，并没有实现一个完整的端到端无人机模型，并没有实现完整的自然语言+视觉输入---->到动作输出。更像一个工具来辅助用户生成航线。
5	引用量	/

一：提出问题

由于传统无人机操作依赖手动或固定航点规划，不够智能，也难以推广。而且现有的VLA和VLN的方法都需要大量的数据，很难在新环境或大尺度任务中泛化。

本文采用大模型实现zero-shot的无人能及任务规划，完成只需要自然语言指令和卫星图像就能完成飞行路径和动作序列。总的来说：

1. 构建了一个大规模 VLA 系统，可以直接从文本请求生成路径和动作。
2. benchmark：创建了评估基准 UAV-VLPA-nano-30。
3. 系统性能达到接近人类操作水平。

二：解决方案

1：Data and Benchmark

为 了给UAV-VLA 系统提供标准化测试，检验无人机根据语言生成可执行的航路规划能力。从USGS EarthExplorer 开源卫星影像平台中获取30 张高分辨率卫星图像，每张图都有地理位置描述（纬度/经度），便于生成飞行计划。这是一个 真实世界的卫星图像集合，提供了无人机任务所需的视觉信息和地理坐标。

接下来生成飞行计划，通过有经验的无人机飞行操作员来构建，采用Mission Planner 软件，为四旋翼无人机生成一个飞行计划，让它覆盖紫色方框内的所有建筑物。高度不考虑。飞行计划是人工生成的 目标轨迹序列，作为 UAV-VLA 系统的参考，用于训练或评估无人机根据语言和卫星图像生成路径的能力。

2：METHODOLOGY

这篇文章提出了UAV-VLA系统，主要的核心思想就是利用大语言模型来理解指令，利用视觉语言模型在微信图像上识别目标，最终生成无人机可执行的动作序列。总共包含三个模块：Goal Extracting GPT、Object Search VLM、Actions Generation GPT：

1 Goal Extracting GPT（目标提取模块）

输入自然语言指令I，然后将这个指令输入到GPT中，将指令提取为一个目标集合G，其中每个g表示一个子目标。

2 Object Search VLM（目标搜索模块）

输入目标集合G，然后通过Molmo把每个目标再卫星图像上找到对应的位置，生成像素级坐标。之后，根据图像的元数据（也就是卫星图像本身附带的额外信息，用来描述图像的地理位置坐标信息，拍摄条件等）把像素坐标转化为真实地理坐标（经纬度）。是的无人机可以直接飞到这些实际地点。

其实就是利用VLM找到对应的像素点，然后转化为一个具体的坐标值。

3 Actions Generation GPT（动作生成模块）

图像坐标点经过元数据转换成真实世界坐标 Pg，使用动作生成模块结合 UAV 控制接口生成动作序列，Ai​ 表示无人机在第 i 个步骤要执行的动作（位置、姿态、速度等）。使用MAVProxy无人机接口来生成可执行的动作，可以让无人机按照指令完成飞行任务。

3: 评估指标（Evaluation Metrics）和 系统实验设置（System Setup and Procedure）

1 评估指标

本文主要关心两个方面，总飞行路径的长度和系统生成航线与人工航线的误差。

总飞行长度主要衡量生成的飞行路线总距离是多少，用于跟人工设计的航线相比，太长或太短都可能说明系统有问题

系统生成航线与人工航线的误差则用来衡量UAV-VLA系统生成的飞行路线有多准确。为了从不同角度全面评估系统生成航线的质量，使用三种方式计算生成航线与人工航线的误差：Sequential Method（一步步对齐系统生成点和人工点，容易产生累积误差），Dynamic Time Warping（不要求严格顺序，可以非线性对齐路径。主要衡量轨迹的形状相似性），K-Nearest Neighbors（系统每个点找最近的人工点，衡量整体位置精度，不关心点的顺序）

然后使用RMSE（均方根误差）误差计算公式

不写介绍了😅，直接贴个原文，公式不是很复杂。

三：实验

三种误差对比：由于误差大小体现了对齐方式对结果的影响，KNN 更宽松，只看位置，Sequential 最严格，对时间顺序敏感。

系统效率：UAV-VLA 不仅能够生成合理航线，还显著提高了效率。

四：总结

UAV-VLA 系统让无人机可以“听懂”自然语言指令并自己生成飞行任务，效率远超人工，同时覆盖的范围也更充分。未来目标是让无人机完全自主规划和执行任务，减少

自然语言生成航线：用户只需要用文字指令描述任务，无人机就能生成对应的飞行计划。
全球尺度的评估基准：UAV-VLPA-nano-30：提供 30 张高分辨率卫星图和人工规划航线，用于评估无人机系统的路径生成能力。
效率显著提升：系统生成的航线平均比人工规划长 21.6%，但生成速度快 6.5 倍。
语言驱动路径规划：首次尝试让无人机根据语言直接生成航线和动作序列，而不是手动规划。