X-Fly: Learning to Reach and Stop in Full-Chunk Aerial Vision-Language Navigation

📄 arXiv: 2610.21450v1 📥 PDF

作者: Ruibin Ju, Ruifeng Cai, Min Xu, Lin Wang

分类: cs.RO, cs.AI, cs.CV

发布日期: 2026-10-15

备注: 13 pages, 5 figures, 3 tables. Project page: https://juliusju572.github.io/x-fly/

💡 一句话要点

提出X-Fly以解决全块空中视觉语言导航中的停止问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 空中导航 视觉语言模型 行为克隆 决策优化 多模态学习

📋 核心要点

  1. 现有的全块行为克隆方法在执行过程中存在较高的查询成本和停止失败率，导致性能不佳。
  2. X-Fly通过分阶段训练框架和Recovery DAgger方法，优化了决策状态的标记和停止策略，提升了导航效率。
  3. 在OpenFly测试集上，X-Fly的成功率达到74.18%，显著优于传统全块行为克隆方法的16.45%。

📝 摘要（中文）

基于大型视觉语言模型的空中视觉语言导航（VLN）代理查询成本高昂。通过在重新规划之前执行完整的预测动作块，X-Fly将模型推理时间从195毫秒减少到42毫秒。该方法引入了分阶段训练框架，利用Recovery DAgger为学习者访问的决策状态标记平滑块，并在区域内的第一个状态处添加停止指令。Flow-GRPO则联合优化了块流控制器和伯努利停止策略，最终在OpenFly测试集上实现了74.18%的成功率。

🔬 方法详解

问题定义：本论文旨在解决空中视觉语言导航中高昂的查询成本和频繁的停止失败问题。现有方法在执行完整动作块时，未能有效处理状态恢复和自主停止，导致性能下降。

核心思路：X-Fly提出了一种分阶段训练框架，结合Recovery DAgger和Flow-GRPO，旨在通过平滑块和停止策略的优化，提升导航代理的决策能力和执行效率。

技术框架：整体架构包括两个主要模块：Recovery DAgger用于标记学习者访问的决策状态，并连接到未来的专家段；Flow-GRPO则联合优化块流控制器和停止策略。

关键创新：X-Fly的核心创新在于引入了Recovery DAgger和Flow-GRPO的结合，能够有效处理决策状态的平滑连接和自主停止，与传统方法相比，显著提升了导航性能。

关键设计：在参数设置上，X-Fly采用了八个控制决策，每个决策都经过闭环结果验证，确保停止策略的有效性。此外，损失函数设计上也考虑了结果验证的停止监督，增强了模型的学习能力。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

X-Fly在OpenFly测试集上实现了74.18%的成功率，相较于全块行为克隆的16.45%和DreamFly的32.04%有显著提升，展示了其在空中视觉语言导航中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括无人机导航、自动驾驶和机器人路径规划等。通过提升空中视觉语言导航的效率和准确性，X-Fly能够在复杂环境中实现更智能的自主决策，具有重要的实际价值和未来影响。

📄 摘要（原文）

Aerial vision-language navigation (VLN) agents built on large vision-language models are expensive to query. Executing a complete predicted action chunk before replanning amortizes this cost, reducing model inference from 195 to 42 ms per executed waypoint for our policy. It also moves the states at which the policy is queried away from expert demonstrations, which supervise neither recovery from these states nor termination at the learner's own arrival. On OpenFly test-seen, no-stop failures account for 47.78% of full-chunk behavior cloning (BC) outcomes. We present X-Fly, a staged training framework for full-chunk aerial VLN. Recovery DAgger labels learner-visited decision states with smooth chunks that reconnect to future expert segments and with STOP at the first in-region state. Flow-GRPO then jointly refines the chunked flow controller and a Bernoulli STOP policy from same-task closed-loop outcomes, supplemented by outcome-verified stopping supervision. With eight controls per decision, X-Fly reaches 74.18% SR on test-seen and 51.73% on test-unseen, compared with 16.45% and 18.43% for full-chunk BC and 32.04% and 29.46% for DreamFly.