导读与学习路线¶

预计阅读：10 分钟 | 前置知识：无

这个项目是什么¶

本项目是一个无人机领域的 VLA/VLM/世界模型学习知识库，目标是帮助你：

理解三大核心概念：世界模型（World Model）、视觉语言模型（VLM）、视觉语言动作模型（VLA）
掌握领域全景：知道这个领域在研究什么、怎么分类、关键论文有哪些
深入无人机方向：理解这些技术如何应用于无人机，与地面机器人有何不同
获得动手能力：知道如何复现关键项目，即使暂时不跑代码也能理解流程

你需要什么前置知识¶

知识领域	最低要求	理想水平
深度学习	知道什么是神经网络、CNN、Transformer	了解预训练、微调、注意力机制
计算机视觉	知道什么是图像分类、目标检测	了解语义分割、光流、视觉里程计
强化学习	知道什么是状态、动作、奖励	了解策略梯度、Actor-Critic
自然语言处理	知道什么是Token、语言模型	了解BERT/GPT架构
无人机基础	知道什么是四旋翼、PID控制	了解MAVLink、ROS2、PX4/ArduPilot

不需要：CUDA编程、机器人学深入知识、硬件经验

学习路线图¶

阶段一：建立认知框架（1周）¶

目标：理解三大概念是什么、有什么关系
路径：00-导读 → 01-基础概念(5篇)
输出：能用自己的话解释 VLM、VLA、世界模型

推荐阅读顺序： 1. 什么是世界模型 — 理解"预测未来"的核心思想 2. 什么是VLM — 理解"看图说话"的基础 3. 什么是VLA — 理解从"理解"到"行动"的演进 4. 三者关系与区别 — 串联三者的关系 5. 无人机vs地面机器人 — 理解无人机的特殊性

阶段二：选择方向深入（2-3周）¶

目标：深入理解一个方向的论文和方法
路径：02/03/04 专题（选一个或多个）
输出：能分析一篇论文的创新点和局限性

方向选择建议：

方向	适合人群	核心问题
世界模型	对预测/仿真/数据生成感兴趣	如何让无人机"想象"未来会发生什么
VLA	对端到端控制感兴趣	如何让无人机"看+说+飞"一体化
VLM	对感知/理解感兴趣	如何让无人机"理解"看到的内容

三个方向里 VLA 专题（10 篇）已经按"在什么轴上做消融"重新组织过：01 是架构演进路线图，02–04 是无人机专章（专用模型、语言条件控制、基础模型辅助规划），05 讲机载部署，06–10 五篇各管一根轴 —— 动作接口、数据与预训练、后训练、评测口径、世界模型的接法。按轴读还是按时间读都可以，轴划分的理由见 01-VLA架构演进 §7.3。

世界模型专题（9 篇）：01–06 是主干（发展史、生成式、RSSM 类、3D 表示、无人机世界模型综述、关键数据集与基准），07–09 三篇各覆盖一根独立的轴 —— 评测与诊断、联合嵌入预测与潜空间世界模型、长时程与交互式生成。

VLM 专题（7 篇）的缺口与另两卷不同：01–04 都是无人机/遥感侧的应用与部署，通用 VLM 的方法主干整体缺席 —— 而 VLM 专题自测的考题早就在考视觉编码器、连接器与幻觉评测。所以 05–07 三篇补的是这条主干，建议在读 01/02 之前先读：通用VLM架构与视觉编码器（四个部件、CLIP→原生分辨率、连接器、token 预算）、VLM指令微调与对齐（指令数据构造、LoRA 的边界、冻结还是联合训练）、通用VLM评测与幻觉（评测口径、POPE 与负样本划分）。三篇里 05 与 07 各配一个可跑的验证实验，06 因本仓算力条件所限不配 demo，理由写在篇首。

阶段三：综述精读（2周）¶

目标：系统理解领域全貌
路径：05-综述论文精读(5篇)
输出：能画出领域的知识图谱

阶段四：论文导读（2周）¶

目标：掌握30+篇关键论文
路径：06-论文导读合集(4篇)
输出：能快速判断一篇论文的价值和位置

阶段五：动手实践（持续）¶

目标：能够复现关键项目
路径：07-实践指南(11篇)
输出：能跑通一个项目并理解其架构

阶段六：科研入门（持续）¶

目标：从学习者过渡到研究者
路径：08-研究前沿与开放问题(4篇)
输出：能提出自己的研究问题并设计验证方案

阶段七：自测与考察（随时）¶

目标：把前面六个阶段漏掉的地方找出来
路径：09-专题自测与考察（现 3 篇，VLA / 世界模型 / VLM 三卷各一篇）
输出：一份自己的薄弱点清单

不必等前六个阶段走完，每读完一个专题就可以做一遍。这一部分只给指针、不给答案：答不上来的那一条，指针就是你的复习清单。现已有三篇：VLA 专题自测、世界模型专题自测、VLM 专题自测，每篇都含三层考察与一个无人机专场。

这三篇是考察篇：正文四层只给指针不给答案，末尾三道思考题是跨篇综合题。形态记在 CONTRIBUTING。

文档阅读指南¶

每个文档遵循统一格式：

# 标题

> 预计阅读：X 分钟 | 前置知识：xxx

---

## 核心内容
（配图、配表、配公式简化版）

## 关键论文
（引用相关论文）

## 延伸阅读
（进一步学习资源）

## 思考题
（自检理解程度）

阅读建议： - 不要试图一次读完所有文档，按路线图分阶段进行 - 每篇文档的思考题先自己想，再看答案 - 遇到不懂的术语，先查基础概念部分 - 论文卡片（Part 6）适合快速浏览，需要深入了解时再读对应的专题文档

术语表¶

术语	全称	中文	说明
VLM	Vision-Language Model	视觉语言模型	输入图像+文本，输出文本理解
VLA	Vision-Language-Action Model	视觉语言动作模型	输入图像+文本，输出动作指令
World Model	World Model	世界模型	预测环境在动作下的演变
IDM	Inverse Dynamics Model	逆动力学模型	从状态变化反推动作
MPC	Model Predictive Control	模型预测控制	用模型预测未来并优化控制
MBRL	Model-Based RL	基于模型的强化学习	用世界模型辅助策略学习
3DGS	3D Gaussian Splatting	3D高斯溅射	一种3D场景表示方法
NeRF	Neural Radiance Fields	神经辐射场	一种隐式3D场景表示
FPV	First Person View	第一人称视角	无人机机载摄像头视角
UAV	Unmanned Aerial Vehicle	无人飞行器	无人机的正式名称
VLN	Vision-Language Navigation	视觉语言导航	用视觉+语言指令进行导航
Sim2Real	Simulation to Real	仿真到现实	从仿真环境迁移到真实世界
DoF	Degrees of Freedom	自由度	运动维度数

常见问题¶

Q: 我需要跑代码吗？ A: 不强制。本项目是认知优先的学习项目，重点在理解原理，不跑代码完全不影响阅读。但部分文档的 ## 动手验证 一节配了可直接运行的迷你 demo（真 PyTorch，CPU 两三分钟），用真实跑出来的数字支撑正文的结论 —— 想动手时照着敲即可，也可改参数看结论怎么变。实践指南（Part 7）讲的是"怎么复现论文级项目"，比 demo 重得多。

Q: 我应该按什么顺序读？ A: 先读导读（本文档），再读基础概念（Part 1），然后选择感兴趣的方向深入。详见上方学习路线图。

Q: 这个项目和原综述论文（arXiv:2605.00080）是什么关系？ A: 本项目以该综述为骨架，但聚焦于无人机领域，补充了大量无人机专属论文和实践指南。综述面向通用机器人，本项目面向无人机。

Q: 论文链接打不开怎么办？ A: 大部分论文在 arXiv 上可以直接访问。如果打不开，可以尝试用论文标题在 Google Scholar 搜索。

Q: 我可以贡献内容吗？ A: 欢迎！请提交 Issue 或 Pull Request。