Слепой дрон, который видит лучше пилота

UAV-Track VLA — это не апгрейд, а пересборка мозга дрона с нуля.

• Проблема старых систем: Они обрабатывали каждый кадр видео как отдельную фотографию, теряя связь между ними. Это как пытаться понять фильм, глядя на случайные стоп-кадры. Временная избыточность данных заставляла ИИ «тормозить» и терять цель.
• Решение — «Сетка временного сжатия»: Модель научили выжимать из видеофида не картинки, а нарратив движения. Она выделяет не объект в кадре, а траекторию его намерений в пространстве.
• Архитектура «двойного декодера»: Одна нейросеть (Spatial-aware Auxiliary Grounding Head) отвечает на вопрос «ГДЕ?», строя 3D-карту окружения. Вторая (Flow Matching Action Expert) решает «КУДА ЛЕТЕТЬ?», просчитывая плавную траекторию. Это разделение труда — как тактик и пилот в одной кабине.

Цифры, которые меняют правила:

• Успешность в 61.76% при слежке за пешеходом на предельной дистанции. Для индустрии это прорыв из «лабораторной игрушки» в «рабочий инструмент».
• 269.65 средних кадров непрерывного трекинга — дрон не моргает.
• Сокращение времени инференса на 33.4%, до 0.0571 секунды на решение. Это билет в реальное время, где задержка в 0.1 секунды — это уже авария.
• Датасет-монстр: 890 000+ кадров, 176 задач, 85 типов объектов. Обучали не на котиках, а на симуляторе CARLA, максимально близком к хаосу реального города.