基于车辆锚定的无GPS环境下无人机地面样本距离估计
机器人学
2026-03-05 v1 人工智能
摘要
在GPS被屏蔽或通信受损的环境中，Autonomous aerial robots 常常丢失对相机元数据和遥测数据的访问权限，使 onboard perception 系统无法恢复场景的绝对度量尺度。随着 LLM/VLM-based planners 日益被采用作为具身系统的高层智能体，其对物理尺寸推理能力日益成为安全关键——但我们的实验表明，五个最先进的 VLMs 在空间尺度幻觉方面存在严重问题，中位数面积估计误差超过 50%。我们提出 VANGUARD，一个轻量级、确定性的几何感知技能，设计为可被任何 LLM-based 智能体调用的工具，用于从环境中常见的锚定物（通过定向边界框检测到的小型车辆）恢复地面样本距离（GSD）。该方法通过核密度估计稳健地估计其模态像素长度，并通过预校准的参考长度转换为 GSD。该工具返回 GSD 估计值和复合置信度分数，使调用智能体能够自主决定是否信任该测量或回退到替代策略。在 DOTA~v1.5 数据集上，VANGUARD 对 306 张图像实现 6.87% 的中位数 GSD 误差。集成 SAM-based 分段用于下游面积测量，该管道在 100 条目基准上实现 19.7% 的中位数误差——相较于最佳 VLM 基准，类别依赖性降低 2.6倍，灾难性失效次数降低 4倍——表明为具备确定性几何工具的智能体在安全的自主空间推理中至关重要。
引用
@article{arxiv.2603.04277,
title = {VANGUARD: Vehicle-Anchored Ground Sample Distance Estimation for UAVs in GPS-Denied Environments},
author = {Yifei Chen and Xupeng Chen and Feng Wang and Niangang Jiao and Jiayin Liu},
journal= {arXiv preprint arXiv:2603.04277},
year = {2026}
}