AerialVLA：用于 UAV 导航的视觉-语言-动作模型，通过极简化端到端控制
摘要
无人机视觉-语言导航 (VLN) 需要在动态三维环境中进行复杂的视觉解释和连续控制。现有层次方法依赖稠密的 oracle 指引或辅助目标检测器，导致语义鸿沟并限制真正的自主性。我们提出 AerialVLA，一个极简化的端到端视觉-语言-动作框架，将原始视觉观察和模糊语言指令直接映射到连续物理控制信号。首先，我们引入简化的双视图感知策略，减少视觉冗余，同时保留前向导航和精确定位所必需的线索，这还利于未来的仿真到现实迁移。为实现真正的自主性，我们部署一种源自 onboard 传感器的模糊方向提示机制，完全消除对稠密 oracle 指引的依赖。最终，我们构建统一的控制空间，将连续 3 自由度 (3-DoF) 运动学命令与内在着陆信号集成，使代理无需依赖外部目标检测器即可实现精确着陆。大量实验表明，AerialVLA 在已见环境中实现了最佳性能。 Furthermore, it exhibits superior generalization in unseen scenarios by achieving nearly three times the success rate of leading baselines, validating that a minimalist, autonomy-centric paradigm captures more robust visual-motor representations than complex modular systems.
引用
@article{arxiv.2603.14363,
title = {AerialVLA: A Vision-Language-Action Model for UAV Navigation via Minimalist End-to-End Control},
author = {Peng Xu and Zhengnan Deng and Jiayan Deng and Zonghua Gu and Shaohua Wan},
journal= {arXiv preprint arXiv:2603.14363},
year = {2026}
}
备注
18 pages, 4 figures. Code and demo videos will be available at: https://github.com/XuPeng23/AerialVLA