研究背景与动机 - 无人机在货物运输、紧急救援、环境监测等领域的应用日益广泛，随着智慧城市和低空空域管理的发展，无人机需要在复杂、动态的开放环境中实现自主导航 [2] - 现有研究多依赖视觉-语言导航（VLN）范式，这类方法需要详细的分步语言指令，限制了在开放世界中的可扩展性和自主性 [2] - 目标导航（ObjectNav）作为一种替代方案，要求智能体基于语义线索定位目标，无需密集的指令序列，但现有研究主要集中在地面室内场景，在大规模、非结构化的户外空中环境中仍未得到充分探索 [2] UAV-ON基准概述 - UAV-ON是首个针对无人机在开放世界中进行实例级目标导航的大规模基准 [4] - 包含14个基于Unreal Engine构建的高保真户外环境，覆盖城市、森林、山地、水域等多种场景，空间尺度从350×250到1400×1250单位不等，总水平面积约900万平方单位 [4] - 定义了1270个标注目标，每个目标对应一个实例级语义指令，包含类别、大致尺寸和自然语言描述，引入了现实中的歧义性和推理挑战 [4] 任务设置 - 无人机被随机放置在环境中，仅依靠前、左、右、下四个方向的RGB-D传感器获取的第一视角信息进行导航，需自主避障和路径规划，无全局地图或外部信息支持 [6] - 任务终止条件为：无人机发出停止指令、碰撞障碍物，或达到最大步数（150步）；若停止时与目标距离≤20单位，则判定为成功 [6] 任务定义与仿真器设计 - 任务开始时，无人机的初始姿态为6自由度位姿，目标指令包含目标类别、尺寸和视觉描述，目标被限定在以起始位置为中心、半径50单位的水平范围内 [7] - 无人机配备四个同步RGB-D相机，分别朝向前后左右和下方，获取的RGB和深度图像记为和，所有视图分辨率和视场一致且时间同步 [9] - 采用参数化连续动作，包括平移（前进、左右移动、上升、下降）、旋转（左右旋转）和停止，每个动作对应连续的距离或角度参数 [9] 数据集与评估指标 - 训练集包含10个环境、10000个导航episode，任务数量根据环境空间大小和目标分布比例分配 [9] - 测试集包含1000个episode，覆盖10个训练环境和4个新环境，混合了熟悉场景、新场景及已知/未知目标类别 [9] - 采用四个经典导航指标：成功率（SR）、潜在成功率（OSR）、成功距离（DTS）、成功加权路径长度（SPL） [10] 基线方法与实验结果 - 实验实现了四种基线方法：随机策略（Random）、CLIP启发式探索（CLIP-H）、空中目标导航智能体（AOA） [13] - AOA-V（AOA Variable-step）OSR最高（26.30%），但SR（4.20%）和SPL（0.87%）较低，反映出LLM在同时处理语义理解、运动规划和终止控制时的注意力分散问题 [14] - AOA-F（AOA Fixed-step）SR（7.30%）和SPL（4.06%）更稳定，尤其在大型、视觉显著目标上表现较好 [16] - CLIP-H SPL较高（4.15%），但OSR（11.90%）和SR（6.20%）较低，说明其对语义目标的理解有限 [16] - 随机策略所有指标均最差（SR 3.70%，OSR 8.00%），验证了无目标导向的盲目探索无效性 [16] - 所有方法的碰撞率均超过30%（如AOA-F达65.5%），远高于实际应用的安全要求，凸显了当前导航策略在避障和鲁棒控制上的不足 [15]