核心摘要
该论文针对空中智能体（如无人机）在开放世界中的物体目标导航任务，提出了一个名为UAV-ON 的大规模基准测试平台。与依赖详细、逐步语言指令的传统视觉语言导航范式不同，UAV-ON 要求智能体根据高级的语义目标自主导航，从而更贴近现实世界中对无人机自主性的要求。该基准包含14个高保真度的室外环境和超过1270个目标物体。为了评估该基准的挑战性，论文实现并测试了多种基线方法，包括一个基于大型多模态模型的零样本模块化策略AOA。实验结果表明，所有基线方法在该任务上都表现不佳，凸显了空中导航与语义目标理解相结合的复合型挑战。UAV-ON旨在推动由语义目标驱动的、可扩展的无人机自主导航研究。
1. 研究背景与动机
现有方法的局限性：目前，空中导航研究大多遵循视觉语言导航（VLN）的范式，即智能体根据人类提供的详细、连续的指令来行动。这种方法严重依赖外部指令，限制了无人机在需要自主决策的开放世界中的可扩展性和自主性。
ObjectNav的潜力与空白：物体目标导航（ObjectNav）是另一个重要的导航范式，它要求智能体仅根据目标物体的类别进行导航。虽然ObjectNav在地面室内机器人领域已有广泛研究，但在大规模、非结构化的室外空中导航场景中仍未得到充分探索。
研究动机：为了弥合这一差距，研究者们提出了UAV-ON基准，旨在将ObjectNav任务从室内地面环境扩展到大规模的室外空中环境，推动无人机实现更高层次的自主导航能力。
2. 主要贡献
首个大规模空中ObjectNav基准：提出了首个针对空中智能体的大规模、实例级ObjectNav基准。该基准包含14个高保真度室外场景和超过11,000个导航任务，任务由简洁的语义目标指令定义，而非冗长的分步指令。
物理真实的模拟与挑战：UAV-ON要求智能体在充满障碍的室外环境中执行基于物理模拟的、参数化的离散动作，而非传统VLN基准中的瞬移式控制。这引入了避障、碰撞检测等真实世界挑战。
一套基线评估方法：为该基准提供了一套评估方法，包括随机策略、基于CLIP的启发式算法，以及一个名为**AOA (Aerial ObjectNav Agent)**的、由预训练多模态大模型驱动的零样本框架。AOA能将多模态输入编码为提示（prompt），并直接生成带控制参数的语义化动作。
3. UAV-ON 基准详解
####### 3.1 任务定义
UAV-ON定义了一个实例级的ObjectNav任务。
初始化：在每个任务开始时，无人机被随机放置在一个初始位姿。
目标指令：智能体接收一个结构化的语义指令 c={name,size,description}，其中包含目标物体的类别名称、估算尺寸和一个实例级的视觉描述。
导航约束：无人机仅依靠自身搭载的多视角RGB-D摄像头进行导航，无法访问GPS、全局地图等外部信息。它必须在50个单位的水平搜索半径内找到目标。
成功条件：当智能体认为到达目标附近时，执行“停止”动作。如果在距离目标20个单位内停止，则任务成功。任务会在智能体停止、发生碰撞或达到150步的最大步数限制时终止。
####### 3.2 仿真环境与智能体设置
仿真器：基于Unreal Engine和Microsoft AirSim构建，支持逼真的无人机导航和大规模任务设计。
传感器配置：无人机搭载四个同步的RGB-D摄像头，分别朝向前方、左侧、右侧和下方，完全依赖于第一人称的视觉感知。
动作空间：采用参数化的连续动作空间，智能体可以选择平移（前进、左/右移、上升、下降）、旋转（左/右转）和停止等动作类型，并同时决定该动作的幅度（如移动距离或旋转角度）。这种设置比传统的固定步长离散动作空间更接近真实无人机的物理动态。所有动作都是物理执行的，任何碰撞都会导致任务失败。
####### 3.3 数据集构建与分析
场景构建：包含了14个高保真度的室外环境，涵盖了城市、乡镇、公路、森林、山区等多种地理风貌。
目标放置：采用基于大语言模型（LLM）的提示策略来放置物体。通过向LLM查询特定场景（如公园）中通常会出现的物体，来生成符合现实世界共现关系的物体布局。
数据集规模：共包含1270个独立的目标物体，覆盖约900万平方单位的总水平面积。
数据集划分：使用10个场景构建包含10,000个任务的训练集。另外4个未见过的场景和部分训练场景共同组成包含1,000个任务的测试集，用于评估模型的泛化能力。
####### 3.4 评估指标
采用四个标准化的指标来评估智能体的性能：
成功率 (Success Rate, SR)：任务结束时，智能体在目标阈值距离内停止的任务比例。
预言机成功率 (Oracle Success Rate, OSR)：在任务轨迹中，智能体曾经到达过目标阈值距离内的任务比例，衡量其探索到达能力。
成功距离 (Distance to Success, DTS)：任务结束时，智能体与目标之间的欧氏距离的平均值。
路径长度加权成功率 (Success-weighted Path Length, SPL)：结合了成功率和路径效率的综合指标。它用最短路径长度除以实际路径长度来对成功任务进行加权，惩罚路径冗余的导航。
4. 基线方法
论文实现了三种基线方法用于评估UAV-ON基准。
Random：在每一步随机选择一个动作，不使用任何观测和目标信息。
CLIP-based Heuristic Exploration (CLIP-H)：一个基于规则的探索策略。它使用预训练的CLIP模型计算四个方向的图像与目标文本描述的相似度，然后朝相似度最高的方向移动。当相似度超过阈值时，执行停止动作。
Aerial ObjectNav Agent (AOA)：一个零样本导航系统，其核心是一个大型多模态语言模型（如GPT-4o mini）。
输入处理：在每一步，AOA将多模态信息（四视图的RGB图像、深度图、目标语义指令、最近10步的位姿历史）整合成一个结构化的文本提示（prompt）。
动作生成：将该提示输入给LLM，由LLM直接生成一个包含类型和幅度的动作指令（例如，“前进3个单位”）。
两种变体：
AOA-F (Fixed-step)：动作幅度固定，只由LLM决定动作类型，以兼容传统的离散控制模式。
AOA-V (Variable-step)：动作类型和幅度均由LLM灵活决定，更贴合基准的连续动作空间。
5. 实验结果与分析
####### 5.1 定量结果
如表2所示，实验结果揭示了不同策略间的权衡：
AOA-V 取得了最高的OSR，表明其强大的语义理解和探索能力，能有效到达目标附近。但其SR和SPL较低，说明LLM在需要同时处理语义理解、运动规划和终止决策时，难以做出精确的停止判断。
AOA-F 由于采用固定步长，控制更简单稳定，因此在SR和SPL上表现更优，尤其是在面对大型显著物体时。
CLIP-H 在SPL上表现突出，路径效率高，但SR和OSR较低，这表明它依赖于表层视觉相似性匹配，而缺乏对复杂语义目标的深层理解和推理能力。
Random 策略在所有指标上均表现最差。
####### 5.2 行为分析
如表3所示，对智能体的终止行为和安全性进行了分析：
探索与终止的矛盾：AOA-V虽然探索范围最广（平均安全飞行距离最长），但很多时候是因为达到了最大步数而终止，而非主动停止，这暴露了其在精确控制上的不稳定性。AOA-F则在有目的的移动和有效停止之间取得了更好的平衡。
严重的安全问题：一个非常关键的发现是，所有方法的碰撞率都超过了30%。这在真实世界的无人机部署中是完全不可接受的，凸显了当前导航策略与现实世界安全需求之间的巨大差距。
####### 5.3 定性分析
通过可视化轨迹（图7），可以更直观地看到不同策略的行为模式：
成功的AOA-F轨迹相对直接稳定，显示出良好的目标导向性。
AOA-V的轨迹探索性更强，但常常在目标附近徘徊而无法及时停止。
CLIP-H的路径简洁，但因其死板的停止逻辑而过早终止。
6. 结论
论文成功地提出并构建了一个面向空中智能体的大规模、语义驱动的ObjectNav基准——UAV-ON。该基准通过引入高保真的开放世界环境、实例级的语义目标和基于物理的连续动作空间，为评估和开发更高级别的无人机自主导航系统提供了一个富有挑战性的平台。实验结果表明，即便是先进的基于LLM的零样本方法，在同时处理语义推理、安全探索和精确定位方面也面临巨大挑战，特别是存在严重的安全隐患。该研究为推动多模态感知、提示条件控制以及可扩展的无人机自主技术的发展奠定了重要基础。