无人机具身智能是指无人机智能体与环境互动，像人类一样感知、规划、决策和执行，适用于无人机检查、智能快递和其他领域。无人机具身任务规划是无人机具身智能的主要任务之一，它在感知周围环境和理解语言指令的同时，生成详细的分步计划。视觉语言模型具有强大的多模态表示能力，已被推广到各种任务中。当应用于无人机具身任务规划时，它仍然面临着以下两个挑战。首先，环境的复杂性导致了全局环境信息建模的困难。其次，任务路径的频繁转弯导致对空间推理能力的依赖。为了克服这些挑战，我们提出了Plan-Agent，这是第一个用于无人机具身任务规划的具身视觉语言模型。具体而言，采用环境映射图对全局环境信息进行建模。然后，我们提出了环境映射编码器，从环境中提取任务相关信息。此外，为了减少任务路径规划对强空间推理的依赖，我们引入了自我姿势感知训练策略，将长期空间推理分解为短期。我们构建了无人机EmbodiedPlan-20k数据集，用于无人机具身任务中的任务规划。我们在数据集上的实验表明，Plan-Agent的性能优于之前的方法，所有组件都是有效的