1. 目前使用VLM在楼层高度上的估计效果不好，这就导致航点的计算经常容易出错，但比较幸运的是，在多次上上下下往复的调整过程中，最终基本都能找到正确的目标楼层。未来可进一步优化模型轻量化程度，提升复杂动态环境下的鲁棒性，加强多模态信息融合的精准度，探索更多应用场景以提升系统通用性，同时研究如何降低能耗、延长无人机续航时间，更好地满足实际物流配送需求。近期关注到全球首个突破无人机配送 “最后一公里”

Step1：给定一个指令后，在分层场景图HSG中检索提及的地标节点；Step2：根据目标与地标节点之间的关系，过滤掉错误边分支；Step3：得到子图分支后，通过目标与其他物体的关系来定位目标；Step4：如果查询失败，自动调整查询条件（例如，放宽关系类型），并递归地扩展搜索范围，以确保检索到最相关的结果。将导航命令转换为一系列查询操作。可用的操作如下：- get_geonode_by_name(n

缺乏系统的评估基准，无法量化抽象层级、交互模式等因素对性能的影响；中，CaP-Agent0在4个任务上达到或超过人类专家水平，且在LIBERO-PRO和BEHAVIOR的长程任务中，表现出优于主流VLA模型的泛化能力——尤其在指令扰动场景下，CaP-Agent0的平均成功率（0.14-0.18）远高于VLA模型（0.00-0.01）。例如，低层级多轮评估（M4）的性能不仅超过高层级单轮评估（S2）

缺乏系统的评估基准，无法量化抽象层级、交互模式等因素对性能的影响；中，CaP-Agent0在4个任务上达到或超过人类专家水平，且在LIBERO-PRO和BEHAVIOR的长程任务中，表现出优于主流VLA模型的泛化能力——尤其在指令扰动场景下，CaP-Agent0的平均成功率（0.14-0.18）远高于VLA模型（0.00-0.01）。例如，低层级多轮评估（M4）的性能不仅超过高层级单轮评估（S2）

缺乏系统的评估基准，无法量化抽象层级、交互模式等因素对性能的影响；中，CaP-Agent0在4个任务上达到或超过人类专家水平，且在LIBERO-PRO和BEHAVIOR的长程任务中，表现出优于主流VLA模型的泛化能力——尤其在指令扰动场景下，CaP-Agent0的平均成功率（0.14-0.18）远高于VLA模型（0.00-0.01）。例如，低层级多轮评估（M4）的性能不仅超过高层级单轮评估（S2）

世界模型通过学习环境的时空结构、动态规律与不确定性，能够在“脑海中”模拟未来、推演行动后果，大幅降低真实世界交互成本，尤其适配机器人、自动驾驶、科学发现等高风险、高成本场景。当前的仿真刷分、实验室演示，只是漫长征程中的起点。那些能够突破“仿真-真实”鸿沟、兼顾效率与泛化、融合物理与因果的世界模型，才会成为通用人工智能、具身智能的真正基石。从2018年Ha与Schmidhuber提出世界模型概念，到

世界模型通过学习环境的时空结构、动态规律与不确定性，能够在“脑海中”模拟未来、推演行动后果，大幅降低真实世界交互成本，尤其适配机器人、自动驾驶、科学发现等高风险、高成本场景。当前的仿真刷分、实验室演示，只是漫长征程中的起点。那些能够突破“仿真-真实”鸿沟、兼顾效率与泛化、融合物理与因果的世界模型，才会成为通用人工智能、具身智能的真正基石。从2018年Ha与Schmidhuber提出世界模型概念，到

世界模型通过学习环境的时空结构、动态规律与不确定性，能够在“脑海中”模拟未来、推演行动后果，大幅降低真实世界交互成本，尤其适配机器人、自动驾驶、科学发现等高风险、高成本场景。当前的仿真刷分、实验室演示，只是漫长征程中的起点。那些能够突破“仿真-真实”鸿沟、兼顾效率与泛化、融合物理与因果的世界模型，才会成为通用人工智能、具身智能的真正基石。从2018年Ha与Schmidhuber提出世界模型概念，到

针对传统栅格地图易丢失细小障碍物信息的问题，团队提出了一种基于机载3D激光雷达感知与Sim-to-Real强化学习的端到端无人机自主飞行框架，设计了一种任务相关的稀疏感知表征，在大幅压缩数据量的同时保留了对电线等微小目标的敏锐捕捉能力。（BM-MCTS）算法，能在复杂的未知环境中，根据实时的能量与时间，动态规划出最优的“飞行-地面”切换策略。实测显示，该系统能在有限的机载算力下实现10Hz的实时重

对于团队场景，这一过程会扩展至所有学习者机器人的候选动作，选择。为了区分有效动作和异常动作（如超出机器人能力范围的动作），框架还在数据集中加入了“未知”标签的动作样本，训练后异常动作的嵌入会靠近“未知”标签，从而在后续阶段被过滤。IAIL框架的工作流程包含三个关键阶段，涵盖从动作生成到意图匹配的完整链路，既支持单机器人对单机器人的模仿，也可扩展至团队级别的行为迁移。例如，“拾取红色杯子”这一意图，