摘要
视觉语言导航（VLN）通过将语言指令映射到实时视觉输入，使无人机能够在未知环境中自主导航。与依赖GPS或预编程导航的方法相比，VLN支持更直观的人机交互和更强的环境适应性，要求高层语义推理与低延迟飞行控制的紧密集成。
现有方法常常面临全球多模态理解与顺序动作生成之间的结构不对齐问题，这导致在长距离空中导航时出现抖动轨迹和严重的决策延迟。为了解决这个问题，我们提出了FSD-VLN，这是一种快慢双系统架构，解耦语义推理和低延迟飞行指令生成。
该框架具有两个异步分支：慢流提取来自预训练视觉-语言模型的稳定语义先验，快流（Diffusion Transformer，DiT）建模跨时间动作分布，从而生成一致的飞行输出。我们进一步引入了一种时间感知自适应优化器，以稳定长序列训练并减少梯度振荡。
大规模低空模拟实验表明，FSD-VLN在未见场景上比最先进的方法（SOTA）提高了2倍以上的导航成功率，同时将单次动作推理延迟和总任务运行时间减少了50%以上。我们的工作验证了解耦语义控制建模的好处，并为长距离空中VLN提供了一个实用范式。
博主点评： FSD-VLN通过创新的快慢双系统架构，有效解决了无人机在长距离视觉语言导航中的决策延迟和轨迹抖动问题，展示了语义推理与飞行控制的深度结合，具有重要的实际应用前景及研究价值。