OpenFlyV2: 一种用于空中感知与导航的机载视觉-语言-动作模型

研究人员提出OpenFlyV2，一种统一的机载视觉-语言-动作架构，可在资源受限平台上实现语义理解、语言感知、空间推理和连续空中控制。该模型在NVIDIA Jetson Orin NX上以10Hz频率生成动作块，在四个真实环境中实现了48%的导航成功率，无需真实空中训练数据即可从模拟环境零样本迁移到物理四旋翼飞行。