近半年无人机与大模型结合的 8 项核心研究

机构：香港科技大学，南方科技大学

主要内容：在野外让无人机做 3D 扫描，真正难的不是'飞起来'，而是'飞得像个懂事的人'。你说一句'扫那座山谷里的城堡'，人类飞手会立刻找对目标、脑子里补出它没被看到的背面轮廓，然后边飞边绕开树和障碍，把该扫的地方一遍到位。现有系统往往做不到这么省心：要么依赖很重的人工先验（例如框 3D 范围、手工分割、预设飞行样式），要么在复杂几何和遮挡面前效率和完整性一起掉线。

香港科技大学沈劭劼团队、南方科技大学周博宇团队、中山大学等机构联合发布 FlyCo：把基础模型（Foundation Models）的'常识'和'语义理解'真正接进无人机系统里，形成一个感知 - 预测 - 规划的闭环，让无人机从'按模板飞'变成'边理解边推演边规划'，实现仅靠文本 + 少量 2D 标注就能在未知开放环境里完成目标结构的自动三维扫描。

参考链接：https://arxiv.org/pdf/2601.07558

MM-UAVBENCH: How Well Do Multimodal Large Language Models See, Think, and Plan in Low-Altitude UAV Scenarios?

机构：清华大学，南开大学

主要内容：这篇 MM-UAVBENCH 也是'基准/评测'路线，但它盯得更准：不是泛泛测大模型会不会答题，而是专门针对低空无人机视角的那堆麻烦事，系统性评估多模态大模型（MLLM）的'通用智能'到底够不够用。

现有 MLLM benchmark 很少覆盖低空场景的独特视觉挑战（俯视、小目标、视角变化、遮挡密集、尺度极不稳定），而 UAV 相关评测又常常只测某个单点任务（定位/导航），缺少一个能同时覆盖'看懂 + 想明白 + 做决策'的统一框架。于是他们做了一个三维度评测体系，把 MLLM 在低空 UAV 场景里的能力拆成 感知（Perception）- 认知（Cognition）- 规划（Planning）三大块，并设计了 19 个子任务、5700+ 人工标注问题，全部来自真实无人机数据（公开数据集）。

这里的大模型不是直接开飞控，而是作为空中视角的通用理解与决策引擎，需要从真实航拍图中完成理解、推理、到任务规划的链路。评测结果显示：当前 16 个开源/闭源 MLLM 在低空复杂视觉与认知需求上依然吃力，作者还点名了两类关键瓶颈：空间偏置（spatial bias）和多视角/多视图理解能力不足，这两点会直接卡住 MLLM 在真实 UAV 场景里的可用性。

参考链接：https://arxiv.org/pdf/2512.23219v1

UAVBench: An Open Benchmark Dataset for Autonomous and Agentic AI UAV Systems via LLM-Generated Flight Scenarios

机构：哈利法科学技术大学

主要内容：这篇 UAVBench 走的不是'再提一个更强的飞行策略'，而是先给'大模型无人机'补上一把统一的标尺。现在越来越多无人机系统开始把 LLM 用在任务规划、感知解释和决策上，但大家评测各用各的场景、各写各的任务描述，缺少'物理上站得住'的标准化基准，导致很难系统比较模型到底会不会'懂飞行'。

于是他们做了两件事：一是用 taxonomy 引导的提示词让 LLM 批量生成 5 万条可验证的飞行场景，并通过多阶段安全校验把不合理、不安全、不物理的场景筛掉；二是把每个场景都编码成统一的 JSON 结构，里面包含任务目标、机型配置、环境条件，以及量化的风险标签。基于这套场景库，作者又扩展了 UAVBench_MCQ，把场景变成 5 万道多选题，覆盖从空气动力学、导航到多机协同、混合推理，甚至伦理相关的推理风格，用'可解释、可机检'的方式去测 LLM 的 UAV 专用推理能力。最后他们对 32 个主流大模型做了评测，整体结论是：在感知与策略推理上表现不错，但在伦理约束和资源受限条件下的取舍决策上仍然容易翻车。

参考链接：https://arxiv.org/pdf/2511.11252

Chat with UAV – Human-UAV Interaction Based on Large Language Models

机构：浙江工商大学，英国萨塞克斯大学工程与信息学院

主要内容：这篇工作瞄准的是'让普通用户用自然语言就能指挥无人机'这件事。作者认为未来的人机交互会从工程师预设的固定流程，走向用户驱动的个性化任务设计，但现实卡点也很直白：用户说的是自然语言，无人机懂的是动作与约束，两者缺一套'共同语言'，所以复杂任务经常落到'要么说不清，要么执行跑偏'。

他们的解法是把大模型'拆开用'，提出一个双智能体（dual-agent）HUI 框架：

• 一个任务规划智能体 专门负责'理解用户意图 + 生成可执行的任务步骤/子任务顺序'；
• 一个执行智能体 专门负责'把步骤落到飞行行为上'，在执行过程中结合状态反馈去处理混合任务（比如既要巡航拍照又要避障、再返航）。

关键点不在'换个更大模型'，而在用不同的 Prompt Engineering 把理解/规划/执行分工隔离，避免一个 LLM 又要想全局又要管细节，结果在复杂场景里容易卡在'混合任务规划与执行'上。为了验证效果，作者还搭了一个覆盖四类典型无人机应用的任务库，用三项指标量化表现，并对不同 LLM 作为控制核心的表现做了对比；用户研究显示这种分工能让交互更顺、执行更灵活，更贴近'用户想要的那种无人机'。

参考链接：https://arxiv.org/pdf/2512.08145

AdaptFly: Prompt-Guided Adaptation of Foundation Models for Low-Altitude UAV Networks

机构：华南理工大学，桂林电子科技大学

主要内容：这篇 AdaptFly 走的是'低空无人机网络'的务实路线：不是让无人机更会聊天、更会规划，而是先把一个更底层的能力做稳，语义分割。它把'自适应'从'改权重'改成'改提示（prompt）'，提出一个无权重更新（weight-free）、由 prompt 驱动的 TTA 框架。也就是：分割模型本体不动，靠提示去把模型在当前环境里'拨回正轨'。并且它专门考虑网络里异构无人机的现实，设计了两种互补模式：

• 资源受限 UAV：不做优化，只做轻量 token prompt 检索，从一个共享的全局记忆里取回'在类似天气/光照/视角下有效的提示'；
• 资源充足 UAV：用一种梯度无关的稀疏视觉 prompt 优化方法（CMA-ES 进化策略）在线搜索更合适的 prompt，但仍然不改模型权重。

系统还配了一个激活统计检测器，当检测到性能可能在掉（分布漂移信号）才触发适配；更关键的是它搞了一个跨 UAV 知识池，把各机学到的 prompt 经验汇总成'共享提示库'，让整个机群协作适配，而且带宽开销很小。整体看，这篇把'大模型'用在一个非常落地的方式上：模型不动，prompt 作为可交换、可共享的适配参数，让低空网络的感知鲁棒性变得可维护、可协作。

参考链接：https://arxiv.org/pdf/2511.11720

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

机构：中山大学，鹏城实验室

主要内容：无人机机载算力有限，很多时候只能跑'瘦身版网络'，一进复杂环境就不够聪明；但把任务全扔到云端/边缘又会遇到网络延迟，决策变慢甚至失控，于是系统设计天然卡在'算力 vs 时延'的跷跷板上。CoDrone 提出一个 端 - 边 - 云协同（end-edge-cloud）的计算框架，目标是在不把无人机拖死的前提下，把 foundation model 的能力引进来，专门服务于无人机的巡航导航场景。

它把'大模型怎么用'拆成了几块非常具体的落点：

• 机载端尽量轻：为了降低计算与传输开销，导航模型只用灰度图作为输入，先保证'能实时飞'。
• 需要更强理解时再叫外援：当环境更复杂、需要更精细的几何感知时，系统会调用边缘端的基础模型 Depth Anything V2 做深度估计，把'重活'放到边缘算力上。
• 把深度变成更易用的导航表示：他们提出一种一维占据栅格（1D occupancy grid）的导航方法，用更简单的表示承接深度信息，既提升理解的细粒度，又让表示更省、更适合导航决策。
• 用 DRL 做调度与融合：核心还有一个 DRL 神经调度器，负责在不同网络条件、不同动态环境下，决定何时需要深度增强、如何把深度与导航动作决策融合起来，实现实时自适应。
• VLM 做开放集推理的'交互层'：更进一步，它引入了一个 UAV 领域的视觉语言交互模块，把'云端 foundation model / VLM 的推理结果'对接到无人机可执行的低层飞行原语上，让系统在未知场景下具备更强的开放集推理与应对能力。

参考链接：https://arxiv.org/pdf/2512.19083

总结

无人机正在从'工程师预设的自动化设备'，走向'面向用户意图的开放式智能体'，而大模型是推动这件事的关键语言接口与认知引擎。

但真正决定能不能落地的，不是模型能答对多少题，而是系统能不能把大模型的能力变成可持续、可实时、可安全的飞行闭环。于是我们看到越来越多'正确的姿势'：用异步架构和语义记忆消化推理频率差，用结构化场景与基准把能力测准，用提示/轻量适配提升鲁棒性，用端 - 边 - 云协同把算力延迟的跷跷板压到可用范围，用双智能体或工具链把自然语言意图稳稳落到飞行原语。

下一阶段的竞争点也会更清晰：谁能在真实低空环境里长时间稳定运行，谁能把不确定性、资源约束与安全边界纳入决策，谁就更接近'把大模型真正装进无人机'这件事。