航拍VLA模型可以合作吗？使用 CARLA-Air 评估闭环空地协调

最近的航空视觉-语言-动作（VLA）模型显示出有前途的单无人机功能，例如跟踪移动物体和导航到语言指定的地标。然而，目前尚不清楚这些能力是否可以转移到空地合作，即无人机和无人地面车辆必须在共享的闭环物理世界中共同行动。我们使用 CARLA-Air 研究这个问题，CARLA-Air 是一种单进程空地评估环境，将 CARLA 和 AirSim 统一在一个虚幻引擎运行时中。通过共享相同的世界状态、物理时钟和传感管道，CARLA-Air 能够实现物理上一致的 UAV-UGV 交互以及模拟时间戳对齐和有效协调延迟的精确测量。使用 CARLA-Air，我们评估了代表性空中 VLA 和规划基线，以执行两项补充诊断任务：移动平台着陆和遮挡恢复护航。结果表明，当前的空中 VLA 模型通常可以跟踪或跟随地面伙伴，但很难将这种单智能体能力转化为稳定的合作行为。状态提示提供的好处有限，并且简单的双向交互无法持续提高性能，并且可能会放大大多数基线的错误。这些发现表明，在经过测试的基于文本的提示界面下，零射击合作空地 VLA 需要超出当前范式的三个组成部分：明确的协作对象状态识别、低延迟行动协调和团队级目标协调。我们的代码可在 https://github.com/louiszengCN/CarlaAir 获取。