想象一下，你正在驾驶一架无人机穿过一个巨大的、隐形的迷宫，但你手里拿的不是操纵杆，而是一个在你耳边提供线索的声音，比如：“找到那个红色的消防栓并降落在上面。”这就是**视觉-语言导航（Vision-Language Navigation, VLN）**的世界——在这个领域，计算机试图理解它所看到的景象以及它所听到的指令，从而在现实世界中移动。这就像是在教机器人做一个侦探，既要能读懂地图，又要能同时识别出特定的物体。通常情况下，这些机器人使用一个时刻以相同细节水平观察一切的“摄像头”。但问题在于：当你远离目标时，你需要看到大局——街道的布局、建筑物的轮廓——以便知道前进的方向；但一旦你靠近了目标，你就需要放大并观察微小的细节，比如砖块的纹理或标牌的颜色，以便安全着陆。目前大多数机器人试图在整个过程中都保持相同的“缩放级别”，这就像是戴着一副模糊的眼镜去读路牌，或者试图通过显微镜去看整个城市一样。这既低效又令人困惑。

这正是名为 FreqNav 的新思路介入的地方。这项研究背后的研究人员意识到，无人机的“视觉”不仅仅是像素，它还关乎频率。把一张图像想象成一段音乐。“低频”就像是深沉的低音，告诉你歌曲的整体形状和结构（或者城市的布局）；“高频”则是清脆的高音，赋予你细腻的细节（比如目标的特定图案）。该论文提出，一个聪明的无人机应该像一位知道何时切换曲目的 DJ。当无人机距离较远时，它应该专注于“低音”（低频），以理解地图；当它靠近时，它应该切换到“高音”（高频），以捕捉精确的着陆点。

开发该论文团队利用航空无人机构建了一个能够实现这一功能的系统。他们创建了一个“频率标记路由器”（Frequency Token Router），这基本上是无人机视觉中的一名智能交通警察。它并不只是以同样的强度关注图像的每一个部分，而是根据无人机距离目标的距离，动态地决定应该关注图像的哪些部分。如果目标看不见且距离很远，路由器会保留“低频”信息（大局），并忽略干扰性的背景噪音。随着无人机靠近且目标变得清晰可见，路由器会瞬间将注意力转向“高频”细节，忽略大局，精准锁定着陆区域。这不仅仅是一个理论；他们在名为 TravelUAV 的现实模拟系统中测试了它，在这些模拟中，无人机必须长距离导航以寻找特定物体。结果令人印象深刻：他们的系统 FreqNav 不仅在寻找和降落在目标点方面比以往的方法更准确，而且决策速度也快了三倍。他们甚至将其应用到了现实世界，驾驶一架物理无人机成功使用了该系统进行导航和着陆，证明了这种“频率切换”技巧在计算机之外同样有效。

FreqNav 的故事：一个懂得何时缩放的无人机

那么，这究竟是如何运作的呢？想象你在玩一款寻找隐藏宝藏的游戏。当你处于关卡的开始阶段时，你会观察整张地图来确定奔跑的方向。你还不需要看到每一根草叶，你只需要知道山脉和河流在哪里。但当你接近宝藏箱的那一刻，你会停止观察山脉，而是紧盯着地面以寻找宝箱的锁。

FreqNav 为无人机做了同样的事情，但它是通过将无人机的视觉拆分为两种类型的信息来实现的：

1. “大局”（低频）： 这是全局布局。它告诉无人机：“你在一座城市里，左侧有建筑物，路径直行。”
2. “细节”（高频）： 这是局部纹理。它告诉无人机：“那个红色物体是消防栓，你需要精准降落在它左侧 2 米处。”

大多数旧的无人机系统试图在整个飞行过程中同时观察大局和细节，并使用固定的计算能力。这就像是在你读一本书时，有人在你耳边大声播放广播电台；多余的噪音让你难以集中注意力。本文作者认为，这种“一刀切”的方法就是问题所在。他们发现，现有的方法在每个飞行阶段都使用相同的视觉“标记”（图像数据的块），这会导致它们被无关的背景杂乱信息所干扰。

解决方案：动态切换
团队构建了 FreqNav，这是一个轻量级的系统，充当了一个智能交换机。以下是他们设计的逐步流程：

• 频率标记路由器（The Frequency Token Router）： 这是整个操作的大脑。它获取无人机的摄像机画面并将其分解为频率成分。它始终保留一小部分固定的“低频”数据来记住自己在世界中的位置。但在剩余的注意力分配上，它拥有一个可以支配的“预算”标记。

  • 早期阶段（搜索）： 当目标距离较远或被遮挡时，路由器将预算花在低到中频上，以理解场景的布局。
  • 后期阶段（到达）： 随着无人机靠近，路由器会自动将预算转移到高频标记上，专注于目标特定的细节。
  • 这是一个动态过程。系统并不仅仅是靠猜测；它利用语言指令（例如“找到那辆蓝色的车”）来决定从哪个频率库中提取信息。

• 阶段相关接地（Phase-Dependent Grounding）： 一旦路由器选定了正确的视觉线索，系统需要确保这些线索确实有意义。他们添加了一个“接地模块”（Grounding Module），它扮演着老师的角色。它强制无人机将“注意力”指向未来的某个特定点（例如 3 步之后），并检查视觉数据是否匹配。这确保了无人机不仅仅是在凭空想象路径，而是真的看到了一个可以前往的真实地点。

• 平滑飞行员（扩散 Transformer/Diffusion Transformer）： 最后，无人机需要移动。为了避免颠簸、一步步的移动，他们使用了扩散 Transformer（一种通常用于生成平滑图像的 AI 模型）来生成平滑的飞行轨迹。它预测一条连续的轨迹，确保无人机是平稳着陆而非发生碰撞。

数据说明了什么

研究人员在 TravelUAV 基准测试中对该系统进行了测试，这是一个标准的无人机导航测试，包含在不同环境（城市、雪地、草地）中进行的数千次模拟飞行，目标距离从 50 到 400 米不等。

• 成功率： 在“已见场景”（即无人机之前见过类似地图的情况）中，FreqNav 的成功率为 51.55%。这超过了之前的最佳模型 AeroVLA，后者的成功率为 47.96%。
• 效率： 或许更令人印象深刻的是，FreqNav 在实现这一点的同时，使用了更少的视觉标记。它将标准的 128 个标记压缩到了仅 50 个路由标记。由于处理的数据更少，它的决策速度快了 3 倍。
• 现实世界测试： 他们并未止步于模拟。他们将该系统部署在了一架真实的无人机 Feisi J310 上。无人机与地面服务器进行通信，由服务器运行 AI。服务器处理每一步新飞行计划仅需 0.17 秒。这足以让无人机在以 2 米/秒的安全速度飞行时跟上节奏，证明了该系统在实际应用中的可行性。

为什么这很重要

论文明确反对“我们需要在旅程的每个阶段都使用相同视觉细节”的观点。他们证明了在整个行程中保持高分辨率细节实际上会损害性能，因为这会引入“噪声”并分散 AI 的注意力。通过证明阶段性频率偏移效果更好，他们表明，未来自主无人机的关键不在于构建更大、更强大的计算机，而在于构建更聪明的系统，让它们知道该看什么以及何时看。

最后，FreqNav 表明，优秀的无人机飞行员的秘诀不仅在于清晰地看到一切，还在于知道何时看地图，何时看目标。通过这样做，它使无人机变得更快、更聪明，并为现实世界的飞行做好了准备。