ActiveFly-Bench：将具身问答与视觉 - 语言 - 动作对齐以实现空中具身感知

本文介绍了 ActiveFly-Bench，这是首个连接网络空间推理与物理世界交互的无人机具身感知基准。该基准将主动感知分解为三个层级任务：空中具身问答、观察行为规划及细粒度语言引导的无人机控制，明确连接了高层任务理解、行为规划与底层控制。数据集源自真实与模拟户外环境。此外，作者开发了集成视觉语言推理与精细控制的闭环智能体 ActiveFly，并在物理平台上部署。实验表明，当前模型在行为规划和视点调整方面仍面临挑战。