Benchmarking Interaction-Oriented Aerial Mobility across Heterogeneous Environments
作者: Zhibo Duan, Hanlin Kong, Tianran Ma, Yuze Wu, Yuxuan Xu, Kenghou Hoi, Changheng Xie, Xin Zhou, Jianzhe Gao, Fei Gao, Wenguan Wang
分类: cs.RO
发布日期: 2026-10-13
💡 一句话要点
提出CrossFly基准以解决异构环境下无人机交互移动问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 无人机 异构环境 空中移动 交互能力 基准评估 视觉-语言-动作 导航与交互 交互准备率
📋 核心要点
- 现有的空中移动基准多局限于单一环境，无法有效评估无人机在异构环境中的表现。
- 本文提出CrossFly基准，包含多种环境下的长时间交互轨迹，旨在评估无人机的导航与交互能力。
- 实验结果显示，CrossFly基准下的室内与室外环境交互成功率显著低于单一环境，验证了基准的有效性。
📝 摘要（中文）
无人机的空中移动操作需要在异构环境（如室内和室外）中穿行，并将导航与后续的物理交互结合在同一路径中。现有的空中基准通常局限于单一环境设置，限制了在连续环境转变中的代理评估。本文提出了CrossFly，一个针对异构环境下长时间交互导向的空中移动基准，包含超过20个重建场景中的15K条轨迹，涵盖室内、室外及室内与室外之间的轨迹。引入了交互准备率（IRR）来评估终端导航状态是否为后续交互提供合适条件。实验表明，室内与室外设置比单一环境设置更具挑战性，未见场景的成功率最高达到9.7%。
🔬 方法详解
问题定义：本文旨在解决无人机在异构环境中进行空中移动和物理交互的评估问题。现有方法多局限于单一环境，未能充分评估环境转变对交互的影响。
核心思路：提出CrossFly基准，通过构建包含多种环境的长时间交互轨迹，评估无人机在不同环境下的导航与交互能力，特别是从导航到交互的过渡。
技术框架：CrossFly基准包含15K条轨迹，覆盖室内、室外及室内与室外之间的转换，采用统一的模拟与评估框架。引入交互准备率（IRR）作为评估指标，判断导航状态是否适合后续交互。
关键创新：CrossFly基准的最大创新在于其跨环境的评估能力，特别是引入IRR指标，允许在不依赖特定操作策略的情况下评估交互的适宜性。
关键设计：在实验中，采用了五种代表性的空中视觉-语言-动作（VLA）代理，并设计了相应的评估流程，确保能够全面评估不同环境下的交互能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在CrossFly基准下，室内与室外环境的交互成功率显著低于单一环境，未见场景的最高成功率仅为9.7%。这一结果强调了环境转变对无人机交互能力的挑战，验证了CrossFly基准的有效性。
🎯 应用场景
该研究的潜在应用领域包括无人机在复杂环境中的自主导航与操作，如灾后救援、物流配送和智能家居等。通过提升无人机在异构环境中的交互能力，能够实现更高效的任务执行，推动无人机技术的实际应用与发展。
📄 摘要（原文）
Aerial mobile manipulation requires unmanned aerial vehicles (UAVs) to traverse heterogeneous environments such as indoor and outdoor domains, and connect navigation with subsequent physical interaction within the same trajectories. Existing aerial benchmarks are typically confined to single-environment settings, limiting evaluation of agents across continuous environmental transitions. When interaction is evaluated, agents are often initialized near the target, leaving the transition from navigation to interaction largely unassessed. This work introduces CrossFly, a benchmark for long-horizon interaction-oriented aerial mobility across heterogeneous environments. CrossFly contains 15K trajectories across more than 20 reconstructed scenes under a unified simulation and evaluation framework, covering Indoor, Outdoor, and Indoor$\leftrightarrow$Outdoor trajectories. It further introduces Interaction Readiness Rate (IRR) to assess whether terminal navigation states provide suitable conditions for downstream interaction without assuming a specific manipulation policy. Experiments with five representative aerial vision-language-action (VLA) agents and the proposed CrossFly-Agent show that Indoor$\leftrightarrow$Outdoor settings are more challenging than single-environment settings, with the highest success rate reaching 9.7% on unseen scenes. A downstream manipulation case study further validates the relevance of interaction-oriented arrival to subsequent physical interaction. We hope CrossFly helps advance aerial embodied intelligence toward unified mobility and physical interaction in heterogeneous environments.