教无人机"像人一样"导航：把大脑的认知过程拆成七个模块

> *FineCog-Nav: Integrating Fine-grained Cognitive Modules for Zero-shot Aerial Vision-Language Navigation* > Dian Shao, Zhengzheng Xu 等 | arXiv: 2604.16298 | 2026

---

一个无人机操作员的梦想

"飞到那栋红色建筑旁边，绕到后面，找到停车场入口，然后降落。"

如果你是一个无人机操作员，你会怎么做？你会先理解这段话的意思，然后观察周围环境，回忆之前看到的路标，想象可能的路线，推理出最佳路径，最后做出飞行决策。

这个过程对你来说很自然，但对一个 AI 无人机来说，每一步都是一个难题。

无人机视觉语言导航（VLN）要求 AI 从第一人称视角在复杂的 3D 环境中飞行，同时理解并执行模糊的多步指令。现有的方法通常把一个大模型一股脑地处理所有事情，效果一般。

这篇论文的思路是：别让一个模型干所有事，把人脑的认知过程拆成模块，每个模块各司其职。

---

七个认知模块

FineCog-Nav 把导航过程分解为七个细粒度的认知模块，每个模块由一个中等规模的基础模型驱动：

1. 语言处理：理解导航指令，提取关键信息（目标、路径、约束） 2. 感知：处理视觉输入，识别环境中的物体和地标 3. 注意力：决定当前应该关注环境的哪个部分 4. 记忆：存储和检索之前看到的信息 5. 想象：预测前方可能看到的场景 6. 推理：综合所有信息，推断下一步该往哪飞 7. 决策：输出最终的飞行动作

每个模块都有角色特定的提示词和结构化的输入输出协议。模块之间通过明确的接口通信，而不是把所有信息丢进一个黑盒子里。

---

为什么模块化更好？

模块化的好处不仅是"更像人脑"，还有实际的工程优势：

可解释性：如果无人机飞错了，你可以检查是哪个模块出了问题——是语言理解错了？还是感知漏掉了地标？还是推理逻辑有误？用一个大模型的话，你只能猜。

效率：每个模块只需要处理自己负责的部分，不需要一个超大模型来处理所有事情。中等规模的模型就够了。

协作：模块之间可以并行工作。感知模块在处理当前画面时，记忆模块可以同时检索历史信息。

---

AerialVLN-Fine：更精细的评估基准

为了支持细粒度的评估，研究者还构建了 AerialVLN-Fine 基准，包含 300 条精选轨迹，具有句子级的指令-轨迹对齐标注。每条指令都包含显式的视觉端点和地标引用，可以精确评估模型在每一步的表现。

实验表明，FineCog-Nav 在指令遵循、长程规划和对未见环境的泛化方面，始终优于零样本基线。

---

我的思考

这篇论文的核心观点——模块化认知优于端到端黑盒——在当前"越大越好"的 AI 趋势中显得格外清醒。

当然，端到端的方法在某些任务上确实更强（比如端到端自动驾驶）。但当任务需要复杂的推理、长程的规划、以及对未见环境的泛化时，模块化的优势就体现出来了。

这让我想到 Minsky 的《心智社会》（The Society of Mind）——智能不是来自某个单一的"超级模块"，而是来自大量简单模块的协作。FineCog-Nav 可以看作是这个理念在无人机导航领域的具体实现。

---

论文：arxiv.org/abs/2604.16298 项目页：smartdianlab.github.io/projects-FineCogNav