AeroEval 用程序级与执行级分阶段验证，把 AI 生成无人机任务的成功率从 11/20 提升到 19/20

提出分阶段验证生命周期，把程序有效性、任务意图一致性与真实物理行为分开检查，并返回阶段专属反馈用于迭代重生成。 此前的无人机代码生成系统主要依赖提示词护栏或仿真结果，失败定位有限；AeroEval 明确区分程序结构、平台 API 使用、任务解释与真实物理行为四类失败来源。 设计层面给出各验证器返回 stage、outcome、violation、evidence、correction 五元记录，失败记录连同原始候选包回传生成器，重生成程序重新进入程序验证阶段。

为没有唯一参考轨迹的分析类任务开发上下文接地的行为验证：验证智能体结合任务需求、程序产物、机器人与世界描述以及执行观测，评估时空与事件驱动属性。 参考路径比较只能判断是否复现一条期望路径；该方法判断观测行为是否满足任务属性，从而支持存在多条合法轨迹的巡检、测绘与搜索跟踪任务。 智能体接收任务规范、生成程序、里程计元组序列、机器人约束（最大速度与高度、载荷、电池）和世界约束（障碍、道路网、飞行走廊、禁飞区、最大高度），直接由文本世界描述与执行轨迹推断属性，当前实现不使用独立几何辅助工具。

阶段互补性得到实测支持：仅代码验证器与仅轨迹验证器的平均运行级成功率分别为 0.50 与 0.60，二者组合达到 0.90。 说明程序级检查与执行级检查各自捕获不同失败类别，组合收益来自互补而非单一阶段更强。 在五类分析任务各 10 次独立运行、最多三轮重生成的共同预算下比较；12 个 Delivery、27 个 Farm Survey、64 个 Radio Tower Inspection 候选通过代码验证器却在轨迹验证器失败，量化了代码合法但行为不合法的候选规模。

端到端可靠性提升并在两个推理模型上复现：导航任务从 11/20 提升到 19/20，分析任务聚合运行级成功率从 0.30 提升到 0.90（o3-mini）；Gemini-3.1-Pro 下 AeroGen 成功 9 次、AeroEval 成功 35 次，提升 52 个百分点。 相对闭环 CLG 基线与一次性 AeroGen，分阶段诊断把多数原本失败的任务转化为被接受的方案，代价是平均迭代次数增加。 导航任务使用 AirSim 与 15 次迭代预算，分析任务使用 Gazebo 与 15 次迭代预算；AeroEval 在 o3-mini 下成功 45 次、Gemini-3.1-Pro 下成功 35 次，两者置信区间重叠，因此结果支持分阶段验证在两个模型族上均有效，而非判定某一模型更可靠。

该工作面向在 AI 任务生成与无人机执行之间插入验证层的场景，适用于已有平台 API 元数据、机器人描述与可执行物理仿真的团队，例如无人机应用开发者、信息物理系统验证研究者与边缘分析部署方。方法在评估环境中把导航成功数从 11/20 提升到 19/20，把分析任务聚合运行级成功率从 0.30 提升到 0.90，并在 DJI Ryze Tello 上以约 50 米半径开阔场地、每类任务一次受监督运行的方式验证了 Delivery、Farm Survey 与 Search and Track 三类任务可迁移执行。支持另一种编程语言只需替换解析器与平台 API 元数据，验证智能体的接口不变。可选的部署顾问在构造的资源竞争下给出分析放置或航点调度建议，但不决定任务是否被接受。

轨迹验证器在 15 条专家标注结果（12 条专家拒绝、3 条专家接受）上出现 3 次误接受、0 次误拒绝，作者据此说明上下文接地智能体不能作为独立保证机制；该标注集规模小且类别不平衡，因此只报告原始跨模型一致率而不解释经过机会校正的系数。每类分析任务仅 10 次运行，逐任务置信区间较宽。生成与验证默认使用同一模型，可能保留相关误差。真机实验仅一个平台、有限任务与环境条件，且因 Tello 电池限制缩小了轨迹范围与飞行距离，不构成通用仿真到现实迁移或安全性结论。验证开销与成本随任务和模型变化，Radio Tower Inspection 的收敛运行端到端时长可达小时量级。若读者需要精确的逐任务成功率、置信区间数值与成本表，应查阅原文图表与表格，因为快速解析可能缺失这些细节。