WorldFly：基于世界模型的无人机导航视觉-语言-动作模型

arXiv 2026 63.7 method, benchmark, application

TLDR

WorldFly将世界模型与VLA结合用于无人机导航，通过流匹配预测未来视频和动作，在密集城市环境中优于基线方法。

评分理由

The paper presents a novel world-model-based VLA framework for UAV navigation, with a challenging benchmark and strong empirical results. However, it is limited to simulated environments and does not address real-world deployment challenges or broader generalization.

Read-first 评分解释

综合优先阅读分 63.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 48。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

93.5

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.93472496

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、结果

主题相关性 29%

68.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：416。

关键词评分

world model

video world model

world dynamics prediction

generative world model

interactive world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

提出WorldFly，一种新颖的基于世界模型的视觉-语言-动作（VLA）框架，通过双分支耦合流匹配机制整合空间想象，用于无人机导航。
引入双分支耦合流匹配机制，联合生成未来视频预测和导航动作，显式指导智能体策略。
构建了具有挑战性的城市峡谷穿越基准，专门用于评估在严重遮挡和剧烈视角变化下的空间理解能力。

方法

WorldFly在VLA框架内采用双分支耦合流匹配机制，联合预测未来视频帧和导航动作，利用世界模型在部分可观测条件下想象未来状态。该模型在新引入的城市峡谷穿越基准上，针对未见环境中的性能与基线方法进行了评估。

关键结果

WorldFly在城市峡谷穿越基准上优于其他基线方法，尤其在未见环境中表现突出，验证了将世界模型集成到具身空中智能体中以实现鲁棒决策的有效性。

局限性

该基准仅限于严重遮挡和急转弯的城市峡谷场景，未评估对其他环境（如开阔田野、森林）的泛化能力。
依赖未来视频预测可能引入计算开销，可能限制在资源受限的无人机上的实时部署。
双分支耦合流匹配机制可能在基准未覆盖的高度动态或不可预测环境中遇到困难。

资源

论文