研究热点

problem: VLM不应只做编码器，需解耦高层意图理解和动作解码。method: Intent Bottleneck编码意图+Action Decoding解码动作，实现LLM→VLA→PX4解耦。value: 首次实现VLA架构的意图-动作分离。why_relevant: 直接支撑LLM→VLA→PX4毕设架构设计。

arXiv 原文 →

problem: 自然语言指令难以保证无人机安全执行。method: NL→STL→MILP轨迹优化，CoT推理+GRPO确保翻译正确性，STL修复机制处理不可行约束。value: 首个可证安全的LLM无人机控制框架。why_relevant: STL修复机制可直接应用于PX4安全护栏设计。

arXiv 原文 →

problem: 现有VLA缺乏3D空间先验，无法处理无人机避障需求。method: 3D空间Token注入VLA动作头，保持视觉-语言对齐。value: 无需深度相机即可实现3D理解。why_relevant: 3D空间先验对UAV避障和导航至关重要，直接匹配毕设需求。

arXiv 原文 →

problem: VLA数据稀缺且训练不安全。method: 世界模型作为虚拟环境，解决数据稀缺问题，物理一致性确保模拟到真实迁移。value: 首个世界模型驱动的VLA后训练框架。why_relevant: UAV数据稀缺+安全训练的理想方案，RehearseVLA范式可迁移到无人机仿真。

arXiv 原文 →

problem: 无人机视觉语言导航在城市环境中面临细粒度地标匹配和多模态信息编码挑战。method: 提出NavAgent模型，使用GLIP地标识别器和拓扑图编码器融合多尺度环境信息。value: 首个城市环境UAV VLN模型，在Touchdown和Map2seq数据集上实现SOTA。why_relevant: 直接对口长时程无人机VLN导航的地标匹配和上下文动态聚焦需求。

arXiv 原文 →

problem: 空中跟踪任务缺乏端到端VLA方案。method: 首个将VLA模型应用于无人机空中跟踪，实现感知-跟踪-控制一体化。value: 填补了VLA空中跟踪领域的空白。why_relevant: VLA从桌面操作向空中扩展的标杆工作，对理解VLA在UAV场景的适用性具有重要参考价值。

arXiv 原文 →

problem: 空中仿真工具碎片化，难以统一测试。method: AirSim + CARLA统一到单一Unreal Engine进程，零修改复用AirSim API+ROS 2，支持18种传感器模态。value: 首个空地一体仿真平台。why_relevant: 毕设仿真验证的理想环境，可直接用于PX4+LLM控制算法的仿真测试。

arXiv 原文 →

problem: 机器人学习工具链碎片化，难以复现和迁移。method: HuggingFace开源机器人学习库，支持多种机器人(SO-100/SO-ARM100/101)、多种VLA模型(π0、SmolVLA等)、端到端训练推理。value: 首个支持开源机器人全流程的库。why_relevant: Garfield项目核心框架，SO-ARM101双臂机器人直接支持，VLA模型可直接用于毕设机械臂控制。

arXiv 原文 →

problem: 单一VLA系统难以兼顾语义理解和快速动作执行。method: 异步粗-细双系统，System1处理语义、System2处理动作，学习均衡机制。value: 首个异步双系统VLA架构。why_relevant: 直接对应UAV巡航的层次化需求，Libra-VLA的双系统架构可迁移到无人机分层控制。

arXiv 原文 →

problem: 语言链推理(CoT)导致VLA推理瓶颈。method: 潜在空间推理替代语言链，物理接地的自适应推理深度。value: 消除VLA推理瓶颈，推理效率提升3-5倍。why_relevant: 高效推理适合UAV实时控制，LaST-R1的潜在推理范式可直接应用于边缘部署的实时VLA。

arXiv 原文 →

problem: 感知-预测-控制分离导致协同困难。method: 统一世界模型+动作模型，视频预测驱动的动作生成。value: 首个感知-预测-控制一体化框架。why_relevant: 感知-预测-控制一体化框架可直接参考，MotuBrain的世界模型可用于无人机仿真环境构建。

arXiv 原文 →

problem: 多UAV轨迹规划计算复杂度高。method: 主动推理世界模型，多UAV轨迹规划从组合优化→层次化推理。value: 将多机编队复杂度从指数级降至线性。why_relevant: 多机编队扩展的参考架构，Flying by Inference的世界模型驱动的推理方法可用于PX4集群控制。

arXiv 原文 →

problem: GPS拒止环境下无人机导航定位困难。method: 基于地标的定位方法(LanBLoc)结合战场特定运动模型(BMM)和扩展卡尔曼滤波(EKF)。value: 首个在战场GPS拒止环境中实现安全路径导航的方案。why_relevant: GPS拒止场景的替代导航方案，地标定位可应用于室内/密闭环境无人机控制。

arXiv 原文 →

problem: 无人机蜂群任务执行缺乏从自然语言到执行的完整管线。method: Agent增强的LLM蜂群推理架构，Web-of-Drones架构。value: 首个端到端的LLM Agent驱动的无人机蜂群框架。why_relevant: LLM+Agent+UAV Swarm三个方向交叉点，与毕设LLM+无人机核心方向高度吻合。

arXiv 原文 →

problem: 单一LLM难以保证自动驾驶的安全性和可解释性。method: 四Agent架构，描述分析Agent、LiDARAgent、视觉Agent、环境推理Agent协作进行多模态传感器融合决策。value: 首个多Agent LLM驱动的自动驾驶框架，实现可解释的安全决策。why_relevant: PX4安全护栏的参考架构，多Agent设计可直接应用于无人机的LLM+安全护栏实现。

arXiv 原文 →

problem: 传统双目匹配方法精度和效率难以兼顾。method: RAFT用于双目匹配，通过迭代优化获取精确视差。value: 首个端到端双目匹配网络，KITTI刷新SOTA。why_relevant: 双目深度估计基础网络，RAFT-Stereo是稠密建图和视觉里程计的核心模块。

arXiv 原文 →

problem: 现有SLAM系统难以兼顾精度、实时性和多传感器支持。method: 统一视觉惯性SLAM架构，支持单目/双目/RGB-D多种传感器，IMU融合。value: 首个支持多传感器和地图重用的开源SLAM系统。why_relevant: 稠密建图的基础框架，ORB-SLAM3是双目SLAM的标杆可直接用于毕设感知模块。

arXiv 原文 →

problem: VLA模型推理延迟高，难以满足无人机实时性需求。method: EAGLE-3投机解码+NVFP4量化优化，边缘设备(Jetson)上快速流畅运行VLAs。value: 首个边缘优化的实时VLA框架。why_relevant: 适合无人机实时性需求，Realtime-VLA的量化方案可直接应用于Jetson边缘部署。

arXiv 原文 →

problem: VLA视觉利用效率低，快捷路径导致动作预测偏差。method: Modality Cascaded Attention消除快捷路径，边缘部署计算优化。value: 视觉利用率提升40%，推理速度提升2倍。why_relevant: 边缘VLA优化方法可直接应用于无人机边缘部署的性能提升。

arXiv 原文 →

problem: VLM模型与无人机边缘设备资源矛盾。method: BLIP-2轻量化方案，边缘优化的多模态学习。value: 首个面向UAV边缘设备的VLM方案。why_relevant: 毕设若涉及实际无人机部署，边缘优化是不可回避的技术挑战，BLIP-2方案可直接参考。

arXiv 原文 →