SpatialFly：面向城市环境中无人机视觉语言导航的几何引导表征对齐
计算机视觉与模式识别
2026-03-24 v1 人工智能
摘要
无人机在自主探索、灾后应急和基础设施检查等应用中发挥着重要作用。然而，无人机视觉语言导航（UAV VLN）在复杂三维环境中仍具有挑战性。一个关键难点在于 2D 视觉感知与 3D 轨迹决策空间之间的结构化表征不匹配，这限制了空间推理能力。为此，我们提出了 SpatialFly，一个用于无人机视觉语言导航的几何引导空间表征框架。该框架基于 RGB 观测（无需显式三维重建），引入了几何引导的 2D 表征对齐机制。具体而言，几何先验注入模块将全局结构线索注入 2D 语义标记，提供场景级的几何指导。几何感知重参数化模块通过跨模态注意力将 2D 语义标记与 3D 几何标记对齐，随后通过门控残差融合以保留语义判别能力。实验结果表明，SpatialFly 在见过和未见过的环境中均一致优于当前无人机视觉语言导航基线，在未见的 Full 数据集上将 NE 降低 4.03 米，提升 SR 1.27%。此外，轨迹级别的分析显示，SpatialFly 生成的轨迹在路径对齐方面更好，且运动更平滑、更稳定。
引用
@article{arxiv.2603.21046,
title = {SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments},
author = {Wen Jiang and Kangyao Huang and Li Wang and Wang Xu and Wei Fan and Jinyuan Liu and Shaoyu Liu and Hanfang Liang and Hongwei Duan and Bin Xu and Xiangyang Ji},
journal= {arXiv preprint arXiv:2603.21046},
year = {2026}
}