AirNav: 基于真实城市航空数据构建的大规模无人机视觉-语言导航数据集
计算与语言
2026-05-18 v2
摘要
现有的无人机视觉-语言导航 (VLN) 基准数据集很少提供真实的航空场景、自然的过程级指令以及足够的规模，使得在真实环境下系统训练和评估无人机 VLN 智能体变得困难。为此，我们提出 AirNav，一个构建在真实城市航空数据之上的大规模基准，包含 137K 条导航样本，采用人类-LLM 协作管道生成自然且多样化的指令，包含 10 个用户角色。我们在 AirNav 上系统评估了从传统模型到多模态大语言模型 (MLLM) 的代表性方法，在统一的指标下进行评估，并公开源码实现。我们进一步提出 AirVLN-R1，通过监督微调 (SFT) 和强化微调 (RFT) 训练，实现最先进的性能，在 test-unseen 分组上取得 51.82% 的成功率。真实世界的无人机平台实验提供了仿真到现实迁移的初步证据。我们的数据集和代码均公开可用。
引用
@article{arxiv.2601.03707,
title = {AirNav: A Large-Scale UAV Vision-and-Language Navigation Dataset with Natural and Diverse Instructions},
author = {Hengxing Cai and Yijie Rao and Ligang Huang and Zanyang Zhong and Jinhan Dong and Jingjun Tan and Changhao Nai and Jue Hou and Wenhao Lu and Renxin Zhong},
journal= {arXiv preprint arXiv:2601.03707},
year = {2026}
}