Proponemos un nuevo punto de referencia, UAVNLT (Seguimiento de Lenguaje Natural de Vehículos Aéreos No Tripulados), para la tarea de seguimiento guiado por lenguaje natural desde la vista de UAV. UAVNLT consta de videos tomados de cámaras UAV de cuatro ciudades para vehículos en carreteras de la ciudad. Para cada video, se anotan cuidadosamente los cuadros delimitadores, trayectorias y lenguaje natural de los vehículos. En comparación con los conjuntos de datos existentes, que solo están anotados con cuadros delimitadores, las oraciones de lenguaje natural en nuestro conjunto de datos pueden ser más adecuadas para muchos campos de aplicación donde los humanos participan en el sistema para ese idioma, siendo no solo más amigables para la interacción humano-computadora, sino también capaces de superar la baja singularidad de las características de apariencia para el seguimiento. Probamos varios métodos existentes en nuestros nuevos puntos de referencia y encontramos que el rendimiento de los métodos existentes no fue satisfactorio. Para allanar el camino para trabajos futuros, proponemos un método base adecuado para esta tarea, logrando un rendimiento de vanguardia. Creemos que nuestro nuevo conjunto de datos y el método base propuesto serán útiles en muchos campos, como ciudades inteligentes, transporte inteligente, gestión de vehículos, etc.