AeroDASH：面向无人机连续飞行的异步视觉—语言—动作控制

基于摘要分析。该研究针对机载推理延迟导致视觉—语言—动作（VLA）策略预测轨迹与无人机持续运动不匹配的问题，提出用于语言条件连续飞行的异步控制框架 AeroDASH，结合 B-spline 轨迹策略、异步轨迹融合与执行感知策略优化。 方法上，作者先用专家示范进行监督微调，使 B-spline 策略生成位置与偏航角的连续轨迹参考。执行时，轨迹融合模块移除因推理延迟而过期的预测前缀，将剩余轨迹与当前执行参考连接，在保持导数连续性的同时限制轨迹变形。随后，执行感知的 group relative policy optimization（GRPO）利用轨迹级奖励，进一步适应异步执行引起的偏差；具体奖励构成与优化设置尚未验证。 作者报告，在 UAV-Flow 测试集上，AeroDASH 的成功率为 76.56%，分别比 OpenVLA-UAV 和 AeroDASH w/o GRPO 高 38.1 与 20.1 个百分点。作者还报告，相较于异步跟踪航点序列，该方法能在推理期间维持运动，并减少加速度、jerk（加加速度）及速度波动；摘要未给出这些执行指标的具体数值。作者展示了机载推理与异步轨迹执行结合的语言条件飞行。测试集划分、成功判据、延迟条件、实验规模、消融及统计信息尚未验证。摘要称代码将在论文接收后发布，不能据此认定已接收或代码已公开。 平台推测（待验证）：若 BCI 辅助无人机控制存在高层指令解码慢、底层运动必须连续的瓶颈，可假设复用其轨迹融合与异步执行模块，但需将语言/VLA 接口改为解码意图接口，并重新定义安全约束与奖励。该假设不意味着已有 EEG 效果；低信噪比、跨被试差异、通道变化及小数据可能造成指令误判，轨迹连续性本身无法消除这些风险。一个可证伪的小实验是在同一模拟任务与相同指令流下，注入受控延迟和指令错误，对照航点异步跟踪与轨迹融合，比较任务成功率、jerk 和安全约束违反情况。已有 EEG 相关工作尚未检索确认。