DynFly: Dynamic-Aware Continuous Trajectory Generation for UAV Vision-Language Navigation in Urban Environments

📄 arXiv: 2606.31654v1 📥 PDF

作者: Wen Jiang, Hanfang Liang, Li Wang, Kangyao Huang, Wang Xu, Wei Fan, Jinyuan Liu, Shaoyu Liu, Hongwei Duan, Bin Xu, Xiangyang Ji, Huaping Liu

分类: cs.RO, cs.CV

发布日期: 2026-06-30

备注: 34 pages, 9 figures

💡 一句话要点

提出DynFly以解决UAV视觉语言导航中的轨迹生成问题

🎯 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: 无人机导航 视觉语言导航 轨迹生成 动态感知 多模态学习

📋 核心要点

  1. 现有UAV-VLN方法主要关注离散动作和稀疏路径点，缺乏对连续轨迹生成的有效建模，导致生成轨迹的稳定性和可执行性不足。
  2. 本文提出DynFly框架，通过B样条控制点空间表示专家轨迹，并利用Spline-DiT生成器进行条件轨迹生成，弥补了高层导航意图与无人机运动之间的差距。
  3. 在OpenUAV UAV-VLN基准上，DynFly在Test Unseen Full分割中显著提升了导航性能，减少了4.51米的NE，同时提高了多个评估指标的得分。

📝 摘要（中文）

近年来，多模态大模型的进展显著提升了无人机视觉语言导航（UAV-VLN）的高层感知与推理能力。然而，现有方法主要集中于预测离散动作、局部目标或稀疏路径点，导航意图到可执行无人机运动的连续过渡建模仍显不足。这一运动接口的缺口限制了生成轨迹的连续性、稳定性和可执行性。为了解决这一问题，本文提出了DynFly，一个动态感知的连续轨迹生成框架，旨在连接高层导航推理与可执行的无人机运动。DynFly通过轻量级轨迹生成层实现高层导航意图与连续无人机运动的桥接，并引入无人机导向的动态感知监督，显著提升了轨迹质量和导航性能。

🔬 方法详解

问题定义：本文旨在解决现有UAV-VLN方法在连续轨迹生成方面的不足，特别是导航意图与可执行无人机运动之间的接口缺口。现有方法往往只关注离散动作，导致生成的轨迹缺乏连续性和稳定性。

核心思路：DynFly框架通过引入动态感知的监督机制，结合B样条控制点表示和条件轨迹生成，旨在实现高层导航意图与连续无人机运动的有效连接。这样的设计使得生成的轨迹更符合无人机的运动特性。

技术框架：DynFly的整体架构包括轨迹生成层和动态感知监督模块。轨迹生成层负责将高层导航意图转化为连续轨迹，而动态感知监督则确保生成轨迹在位置、速度、加速度等方面符合无人机的运动特性。

关键创新：DynFly的主要创新在于引入了动态感知监督机制，针对无人机运动特性进行优化，显著提升了轨迹生成的质量和稳定性。这一创新与传统方法的离散动作预测形成鲜明对比。

关键设计：在技术细节上，DynFly采用B样条控制点表示轨迹，并使用Spline-DiT生成器进行条件生成。此外，动态感知监督涵盖位置、有限差分速度、加速度、一致性和局部目标对齐等多个方面，确保生成轨迹的高效性和可执行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在OpenUAV UAV-VLN基准测试中，DynFly在Test Unseen Full分割上相较于最强基线提升了4.69 NDTW、2.40 SDTW、2.14 SR点和4.87 OSR点，同时将NE减少了4.51米，显示出显著的性能改进。

🎯 应用场景

DynFly框架具有广泛的应用潜力，特别是在城市环境中的无人机导航任务。其能够有效提升无人机在复杂环境中的自主导航能力，适用于物流配送、城市监控和应急救援等领域。未来，随着技术的进一步发展，DynFly有望在更广泛的无人机应用场景中发挥重要作用。

📄 摘要（原文）

Recent advances in multimodal large models have significantly improved UAV vision-language navigation (UAV-VLN) by enhancing high-level perception and reasoning. However, existing methods mainly focus on predicting discrete actions, local targets, or sparse waypoints, while the continuous transition from navigation intent to executable UAV motion remains weakly modeled. This motion-interface gap limits the continuity, stability, and executability of generated UAV trajectories. To address this gap, we propose DynFly, a dynamic-aware continuous trajectory generation framework that bridges high-level navigation reasoning and executable UAV motion. DynFly bridges high-level navigation intent and continuous UAV motion through a lightweight trajectory generation layer. Specifically, it represents expert trajectories in B-spline control-point space and employs a Spline-DiT generator to learn conditional trajectory generation via flow matching. Furthermore, we introduce UAV-oriented dynamic-aware supervision over position, finite-difference velocity, finite-difference acceleration, heading consistency, and local target alignment, enabling the generated trajectories to better satisfy UAV motion characteristics. And our trajectory generation framework can also be integrated with an existing UAV-VLN framework while preserving its original visual-language reasoning pipeline. Extensive experiments on the OpenUAV UAV-VLN benchmark show that DynFly improves both navigation performance and trajectory quality. On the Test Unseen Full split, DynFly improves the strongest baseline by 4.69 NDTW, 2.40 SDTW, 2.14 SR points and 4.87 OSR points, while reducing NE by 4.51 m.