VLA 论文卡片¶

预计阅读：20 分钟 | 前置知识：了解VLA基础概念（见什么是VLA）

本文收录 11 篇 VLA 关键论文。每张卡片由「标题行 → 徽章行 → 一句话总结 → 核心贡献 / 方法要点 / 结果亮点」组成，题名取 arXiv API 返回的完整题名

1. VLA-AN — 机载VLA框架¶

一句话总结：把 VLA 压到能上机载的端到端框架

标题：VLA-AN: An Efficient and Onboard Vision-Language-Action Framework for Aerial Navigation in Complex Environments

· 2025 · 推荐度 ★★★

核心贡献： - 3D Gaussian Splatting高保真数据生成 - 三阶段渐进训练（场景理解→飞行技能→复杂导航） - 轻量动作模块+几何安全校正 - 深度推理优化，机载部署

方法要点： - 3DGS缩小sim-to-real差距 - 替换随机生成策略为确定性安全策略 - 推理优化实现8.3x加速

结果亮点： - 98.1%最大单任务成功率 - 8.3x推理吞吐提升 - 实时机载执行

2. CognitiveDrone — 认知无人机VLA¶

一句话总结：VLA模型处理认知无人机任务：人类识别、符号理解、推理

标题：CognitiveDrone: A VLA Model and Evaluation Benchmark for Real-Time Cognitive Task Solving and Reasoning in UAVs

· 2025 · 推荐度 ★★★

核心贡献： - 8000+模拟飞行轨迹训练 - 实时4D动作输出 - CognitiveDrone-R1：VLM推理模块分解复杂指令 - 认知任务基准

方法要点：第一人称视觉输入 + 文本指令，高频控制输出。

结果亮点： - CognitiveDrone: 59.6%成功率 (vs 31.3%基线) - CognitiveDrone-R1: 77.2%成功率

3. UAV-TrackVLA — 无人机跟踪VLA¶

一句话总结：基于π₀.₅的无人机跟踪VLA，时序压缩+双分支解码

标题：UAV-Track VLA: Embodied Aerial Tracking via Vision-Language-Action Models

· 2026 · 推荐度 ★★☆

核心贡献： - 基于π₀.₅ VLA架构 - 时序压缩网络处理帧间动态 - 并行双分支解码器 - 空间感知辅助定位头+流匹配动作专家

训练数据：890K+ 帧，176 任务，85 目标（CARLA）。

结果亮点： - 61.76%成功率 - 269.65平均跟踪帧 - 0.0571s/步推理延迟

4. UAV-Flow — 语言条件无人机控制¶

一句话总结：提出细粒度语言条件飞行任务 "Flying-on-a-Word"，并开源数据与模型

标题：UAV-Flow Colosseo: A Real-World Benchmark for Flying-on-a-Word UAV Imitation Learning

· 约 170 stars · 2025 · HuggingFace wangxiangyu0814/UAV-Flow, OpenVLA-UAV · 推荐度 ★★★

核心贡献： - OpenVLA-UAV适配模型 - 真实和仿真数据集

方法要点： - 模仿学习：模仿专家飞行员轨迹 - 原子语言指令配对 - UnrealCV 仿真环境

结果亮点：VLA模型在细粒度无人机控制上显著优于VLN基线

5. VLN-Pilot — VLM作为室内无人机操作员¶

一句话总结：大型VLM替代人类飞行员，在GPS拒止环境中操作室内无人机

标题：VLN-Pilot: Large Vision-Language Model as an Autonomous Indoor Drone Operator

· 2026 · 推荐度 ★★☆

核心贡献： - 自由形式自然语言指令解释 - GPS拒止环境导航

应用场景：巡检、搜救、设施监控

6. CoDrone — 云边端基础模型无人机导航¶

一句话总结：首个云边端协同框架，将基础模型集成到无人机巡航中

标题：CoDrone: Autonomous Drone Navigation Assisted by Edge and Cloud Foundation Models

· IEEE Internet of Things Journal · 2025 · 推荐度 ★★☆

核心贡献： - 灰度图像减少计算 - 边缘辅助深度估计（Depth Anything V2） - DRL神经调度器

结果亮点： - 40%平均飞行距离提升 - 5%导航质量改进

7. FM-Planner — 基础模型路径规划¶

一句话总结：系统评估8种LLM/VLM方法用于无人机路径规划

标题：FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation

· 2025 · 推荐度 ★★☆

核心贡献： - LLM-Vision集成规划器 - 语义推理+视觉感知结合 - 真实世界验证

8. NavFoM — 跨形态导航基础模型¶

一句话总结：跨四足、无人机、轮式、车辆的统一导航基础模型

标题：Embodied Navigation Foundation Model（系统名 NavFoM）

· 2025 · 北京大学 · 推荐度 ★★☆

核心贡献： - 8M样本跨形态训练 - 标识符token嵌入相机视角和时间上下文 - 动态token采样策略 - 无需任务特定微调

结果亮点：跨多形态达到SOTA或竞争性能

9. CityNavAgent — 城市航空VLN¶

一句话总结：LLM驱动的城市航空VLN代理，层次化语义规划+全局记忆

标题：CityNavAgent: Aerial Vision-and-Language Navigation with Hierarchical Semantic Planning and Global Memory

· ACL 2025 · 2025 · 推荐度 ★★☆

核心贡献： - 拓扑记忆图 - 长期任务分解

10. UAV-VLRR — 视觉语言NMPC搜救¶

一句话总结：VLM+ChatGPT-4o场景解释+NMPC控制，搜救响应时间提升33.75%

标题：UAV-VLRR: Vision-Language Informed NMPC for Rapid Response in UAV Search and Rescue

· 2025 · Skolkovo · 推荐度 ★★☆

核心贡献： - NMPC控制

11. AutoFly — 野外自主导航VLA¶

一句话总结：端到端VLA用于野外自主无人机导航，ICLR 2026

标题：AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild

· ICLR 2026 · 2026 · 推荐度 ★★☆

核心贡献： - 伪深度编码器 - 渐进两阶段训练 - 3.9%成功率提升

论文推荐优先级¶

优先级	论文	理由
★★★	VLA-AN	最佳机载VLA，98.1%成功率
★★★	CognitiveDrone	认知任务，R1推理
★★★	UAV-Flow	语言条件控制基准，开源
★★☆	UAV-TrackVLA	跟踪VLA，开源
★★☆	VLN-Pilot	VLM作为飞行员
★★☆	CoDrone	云边端架构
★★☆	FM-Planner	8种方法对比
★★☆	NavFoM	跨形态导航
★★☆	AutoFly	ICLR 2026

延伸阅读¶

世界模型论文卡片 — 世界模型论文导读
VLM论文卡片 — VLM论文导读
完整论文列表 — 195 篇论文分类汇总

思考题¶

对比分析：VLA-AN 的 98.1% 和 CognitiveDrone-R1 的 77.2% 都叫"成功率"，能直接横向比较吗？为什么？
架构选型：UAV-TrackVLA 走"时序压缩 + 并行双分支解码"，AutoFly 走"伪深度编码器 + 渐进两阶段训练"。面向算力受限的机载平台，你更该借鉴哪一套，依据是什么？
方案权衡：CoDrone 选择云边端协同，VLA-AN 选择纯机载部署。换成 GPS 拒止的室内任务，你会怎么取舍？
范式辨析：UAV-Flow 的结论是"VLA 在细粒度控制上优于 VLN"，NavFoM 则主张一个模型跨四足/无人机/轮式/车辆、无需任务特定微调。这两种立场能同时成立吗？
方法迁移：CityNavAgent 的"层次化语义规划 + 拓扑记忆图"是为城市长期 VLN 设计的。搬去解 UAV-TrackVLA 的目标跟踪任务，哪一环最不匹配？

参考答案

1. 不能。两个数字来自不同任务与不同评测：VLA-AN 报的是复杂环境空中导航的最大单任务成功率，其系统由 3D Gaussian Splatting 数据生成、三阶段渐进训练（场景理解→飞行技能→复杂导航）和几何安全校正支撑；CognitiveDrone 的基线是 31.3%、本体 59.6%、加上 R1 推理模块后 77.2%，评的是人类识别、符号理解、推理这类认知任务基准。任务定义、对手和环境都不同，数字只反映各自设定下的相对提升。 2. 优先借鉴 UAV-TrackVLA。它以降低推理开销为明确设计目标：时序压缩网络加并行双分支解码器换来 33.4% 的推理延迟降低，实现 0.0571s/步，支撑 CARLA 上 890K+ 帧、176 任务、85 目标的数据规模，并且代码开源。AutoFly 的卖点是伪深度编码器与渐进两阶段训练带来的 3.9% 成功率提升，卡片没有给出任何延迟方面的收益，对算力受限平台的参考价值弱一些。 3. 关键取舍是"能否容忍对外部链路的依赖"。若室内能部署稳定的边缘节点，CoDrone 式的分工可以把大模型放在边缘，并用灰度图像压低算力、用边缘端深度估计（Depth Anything V2）补感知，换来 40% 平均飞行距离提升和 5% 导航质量改进；若要求完全自主或链路不可靠，就以 VLA-AN 的机载路线为基准，它的 8.3x 推理加速和轻量动作模块正是为纯机载设计的。VLN-Pilot 证明了大型 VLM 可以当室内飞行员，但没有回答算力问题。 4. 可以并存，因为两者回答的不是同一个问题，但存在边界。UAV-Flow 比较的是同一类任务下 VLA 与 VLN 两种建模范式，结论落在细粒度动作级控制；NavFoM 比的是跨形态迁移，靠 8M 样本、标识符 token 编码相机视角与时间上下文、动态 token 采样做到无需任务特定微调。张力在于：如果跨形态基础模型真能不微调直接用于无人机，专用无人机 VLA 的必要性就要重新论证；而卡片只说了 NavFoM 跨多形态达到 SOTA 或竞争性能，没有给出细粒度机动的证据，这一层尚未验证。 5. 最不匹配的是"长期任务分解 + 记忆"这条主线。CityNavAgent 的层次化语义规划和拓扑记忆图解决的是城市环境下长时间、跨地标的导航（ACL 2025）；UAV-TrackVLA 的任务是对单一目标持续跟踪，难点在帧间动态与时序信息压缩，靠时序压缩网络、空间感知辅助定位头和流匹配动作专家解决，不需要跨地标的记忆。可迁移的只是"高层选目标、低层出动作"的分层思想，语义规划层和拓扑记忆图基本用不上。