본 논문은 자연어 명령과 시각적 단서를 통해 실외 환경에서 무인 항공기(UAV)를 조종하는 새로운 과제인 항공 시각-언어 탐색(Aerial VLN)을 다룹니다. 복잡한 실외 항공 장면의 공간적 관계 때문에 어려움이 있습니다. 본 논문에서는 대규모 언어 모델(LLM)을 행동 예측 에이전트로 사용하는 종단 간 제로샷 항공 VLN 프레임워크를 제안합니다. 특히, LLM의 공간 추론 능력을 향상시키는 새로운 의미-위치-측정 표현(STMR)을 개발했습니다. 이는 주변 랜드마크의 위치 정보가 포함된 상위 지도에 명령과 관련된 랜드마크의 의미 마스크를 추출하고 투영하여 달성됩니다. 또한, 이 지도는 거리 측정값을 포함하는 행렬 표현으로 변환되어 LLM에 대한 텍스트 프롬프트로 사용되어 명령에 따른 행동을 예측합니다. 실제 및 시뮬레이션 환경에서 수행된 실험은 제안된 방법의 효과와 강건성을 성공적으로 증명했으며, AerialVLN-S 데이터셋에서 Oracle Success Rate(OSR)을 15.9% 및 12.5% (절대값) 향상시켰습니다.
