WorldFly：一种基于世界模型的无人机导航视觉 - 语言 - 动作模型

端到端视觉 - 语言 - 动作（VLA）模型在无人机导航中展现出潜力，但在遮挡严重和视角剧变的城市环境中表现不佳。本文认为，世界模型所具备的“想象”未来状态的能力对于部分可观测下的鲁棒决策至关重要。为此，我们构建了城市峡谷穿越基准，并提出 WorldFly 框架。该框架采用双分支耦合流匹配机制，联合生成未来视频预测与导航动作，通过空间想象显式引导智能体策略。实验表明，该方法在未见环境中显著优于基线。