跳到正文
arXiv · 机器人与计算机视觉· Jaewoo Park, Minyoung Lee, Sukmin Seo, Moonbin Yim, Hyunwook Yoon, Dohoon Ryu, Daehee Kim, Myungseo Song, Jihyuk Byun, Seunggyu Chang, Taeho Kil, Jiseob Kim, Bado Lee, Geewook Kim·· 2026-10-16AI 评分72

DroneCATS:一种评估多模态大模型作为无人机通用视觉语言动作代理的基准

Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching

AI 导读

论文提出了 DroneCATS 基准,用于评估多模态大模型(MLLMs)在控制无人机执行指挥、接近、跟踪和搜索任务时的表现。研究涵盖了从前沿模型到小型开源模型的十种 MLLM,并在仿真与真实无人机上测试了单架及多机协同场景。结果显示,虽然前沿模型成功率最高但受延迟影响难以锁定移动目标,而经过微调的小型模型在真机上表现更优。作者将完全开源该基准。

来源:arXiv · 机器人与计算机视觉 · arxiv.org