5G-A融合低空智联监视系统解决方案

微信扫码，打开到小程序

�N��5G-A+AI�= � � �����0���� 5G-A 融合低空智联监视系统解决方案 胡雅静 1 宋倩 2 宋连波 3 镡凌博 1 王钧冉 3 (1. 北京电信规划设计院有限公司,北京 100089; 2. 中国联合网络通信有限公司,北京 100031; 3. 中国信息通信研究院无线电研究中心,北京 100191) 摘要:首先提出了 5G-Advanced(5G-A)融合的低空智联监视系统架构,然后针对虚警率高、数据融合失 效和非标目标检测困难等关键问题,提出了基于多维度信息融合与上下文理解的目标判别模型,并详细 阐述了包括时空动态分析与轨迹建模、微动特征分析等关键技术在内的综合解决方案。 通过系统测试 验证,该方案在复杂环境下实现了对各类低空目标的精准识别与快速响应,为低空智联监视体系的实际 应用提供了可靠的技术参考。 关键词:低空经济;5G-A;低空监视 中图分类号:TN959. 1 文献标志码:A 引用格式:胡雅静, 宋倩, 宋连波, 等 . 5G-A 融合低空智联监视系统解决方案[J]. 信息通信技术与政 策, 2025,51(11):17-23. DOI:10. 12267/ j. issn. 2096-5931. 2025. 11. 003 0 引言 低空经济作为全球新兴产业,正推动无人机等低 空飞行器在物流配送、应急救援、农业植保等领域的规 模化应用。 这一发展趋势对传统空域监管模式提出了 全新挑战,亟须构建与之相适应的智能化监视体系。 高效、可靠的监视系统不仅是保障低空飞行安全、防范 “黑飞”等违规行为的必要手段,更是维护国家空域安 全与公共安全的重要基础设施。 然而,现有监视系 统在实际应用中仍面临虚警率高、数据融合效能不 足、非标准目标识别困难等关键问题,制约了低空监 视系统的可靠性与实用性,亟须通过架构创新与关 键技术突破予以解决。 本文正是在此背景下,提出 5G-Advanced(5G-A)融合的低空智联监视系统解决方 案,以应对上述挑战。 1 低空智联监视系统 1. 1 低空监视体系的建设背景与需求 随着低空飞行活动在生产作业、城市交通等场景 中日益频繁,低空飞行器数量的快速增长与类型的多 样化对空域安全管理提出了更高要求。 当前,低空监 视系统主要面临 3 个方面的挑战:一是传统监管手段 难以应对复杂动态环境,无人机“黑飞”、碰撞风险频 发;二是多源感知“数据孤岛”现象严重,雷达、光电等 传感器信息缺乏协同;三是恶意干扰技术不断升级,导 致目标识别与追踪失效 [1]。 在此背景下,构建智能融 合、实时响应的一体化监视体系,不仅是实现空域精细 化管理的技术支撑,更是推动低空经济安全、高效发展 的基础设施保障,进一步为空域治理模式的现代化转 型奠定坚实基础。 ·17· ���E�����0 1. 2 低空智联监视系统概念 1. 2. 1 系统目标 低空智联监视系统是基于泛在网络连接、多源数 据融合、智能感知计算和协同决策支持构建的新一代 适应低空经济场景的监视体系。 其实现目标主要围绕 3 个方面:一是作为安全基石,通过智能识别和异常预 警有效管控“黑飞” 风险;二是作为效率引擎,优化空 域资源配置,提升低空交通运行密度;三是作为产业赋 能平台,为物流配送、应急救援等应用场景提供标准化 监视服务。 该系统的建设将推动低空经济从无序发展 迈向智能化、规范化运营的新阶段。 1. 2. 2 系统愿景 低空智联监视系统以“看得见、辨得清、管得住、联 得通”为愿景,通过泛在互联、智能感知、精准识别和动 态管控四大核心能力,构建全空域、全天候的立体监视 体系。 该系统将支撑亿级无人机及各类飞行器的安全 有序运行,显著提升低空飞行管理效率;同时,作为新 型低空基础设施的重要组成,为物流配送、应急救援、 城市交通等千行百业提供数字化赋能,推动低空经济 高质量发展。 1. 2. 3 核心内涵 低空智联监视系统的核心内涵体现在 “ 智” 与 “联”两个方面。 “智”(Intelligent) 的层面包含智能感知与智能决 策两大能力。 智能感知通过人工智能算法实现雷达、 光电探测、广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)等多源数据融合,为合 作目标提供信息服务,更重要的是提升非合作目标的 检测识别率,然后进一步结合深度学习模型,实现对飞 行器行为意图的精准预测与异常事件的可靠告警;同 时,构建智能决策中枢,为空域动态管理、交通流量调 度、飞行冲突解脱及突发事件应急响应提供实时辅助 决策 [2]。 “联”(Connected & Collaborative)的维度则包括泛 在连接、协同感知和网联融合 3 个方面。 首先,基于 5G/ 5G-A、卫星通信、专网等混合组网技术,为飞行器、 地面站与云端平台间的数据传输提供超低延迟的稳定 保障;其次,构建国家级监管云、区域级分中心和场站 级边缘节点的三级协同架构,实现政府、企业、个人等 多主体监视数据共享;最后,将系统深度集成至低空通 信、导航与监视体系之中,形成支撑低空应用管理的新 型基础设施。 2 5G-A 融合低空智联监视系统建设策略 2. 1 系统设计原则 低空智联监视系统采用分层解耦的架构设计,划 分为感知层、传输层、平台层和应用层。 该系统具备开 放兼容的特性,支持多种设备、数据格式及协议标准的 灵活接入;同时,集成弹性扩展与安全可信两大机制, 既能适应未来的业务增长与技术演进,又能确保数据 安全、隐私保护以及系统抗干扰与抗欺骗能力 [3]。 2. 2 系统架构 低空智联监视系统以 5G-A 通感一体基站为核 心,融合毫米波雷达、光电探测等异构感知网络,同步 集成无人机安全管控平台,以实现对在空无人机的全 域监视与警用无人机的高效指挥调度。 一是感知层(Sensing Layer)。 感知层作为低空智 联监视系统的基础,包含各类多源传感器网络。 其中, 5G-A 为多元融合感知的重要手段,利用超大规模天线 阵列(Massive MIMO)与联合信号设计,使通信信号同 时携带感知信息,利用反射信号的强度、频率、相位等 特性实现环境感知,频谱资源利用率提升 30%以上 [4], 并结合多站连续组网与跨小区航迹跟踪技术,解决低 空多目标协同感知与连续跟踪的难题;同时,具备厘米 级定位与毫秒级时延能力 [5],满足无人机避障、远程控 制等高精度需求。 相控阵雷达则通过波束赋形技术实 现目标的精确探测与跟踪,其对目标雷达散射截面积 (Radar Cross Section,RCS) 的探测灵敏度是衡量系统 性能的关键指标之一。 光电探测通过可见光及红外光 电摄像头实现全天候环境监测,结合高精度声阵列完 成目标定位与特征识别。 感知层强调异构互补和低成 本广覆盖,根据低空经济在城市发展的特性,应充分考 虑利用移动通信蜂窝网基础设施,利旧信息基础设施 资源,降低建设及运营成本。 根据低空经济业务发展, 对目标的感知性能需求如表 1 所示。 二是传输层( Network Layer)。 低空监视网的传 输层依托融合通信网络实现全域覆盖与多业务承载, 该层集成 5G/ 5G-A、卫星通信与专用数据链,形成功能 互补的传输体系:5G/ 5G-A 技术提供超高可靠低时延通 信 ( Ultra-Reliable and Low-Latency Communications, ·18· �N��5G-A+AI�= � � �����0���� 表 1 融合感知性能指标表 类别 指标设置 标准 合 作 目 标 探测概率 虚警概率 探测信息更新频率/ 次/ s 探测精度/ m 目标面积/ m2 告警时延/ s 速度分辨率/ m/ s ≥99% ≤1% ≥1 水平偏差≤10 垂直偏差≤15 RCS≥0. 01 ≤5 5 非 合 作 目 标 探测概率 虚警概率 探测信息更新频率/ 次/ min 探测精度/ m 目标面积/ m2 告警时延/ s 速度分辨率/ m/ s ≤5% ≤1% ≥10 水平偏差≤30 垂直偏差≤40 RCS≥0. 01 ≤5 5 来源:《中央空管办城市交管系统指标要求》 URLLC) 与海量机器类通信 ( Massive Machine Type Communications,mMTC)能力;卫星通信具备广域覆盖 特性,在应急领域普遍作为备份传输通道;专用数据链 则依托 L/ C 波段频段,保障关键数据传输的抗干扰性 能 [6]。 整体架构旨在实现毫秒级时延、高系统可靠性、 万级终端并发接入,并满足复杂电磁环境下的高韧性 传输要求。 三是平台层( Platform Layer)。 平台层作为系统 的智能中枢,集成了数据处理、智能分析、可视化交互与 云边协同四大核心能力,共同支撑低空监视的综合管理 与运行保障。 首先,通过高精度定位与多源数据融合技 术,平台构建出统一、精准的空域实时态势画面。 在此 基础上,由人工智能驱动的智能分析单元对融合数据进 行深度挖掘,通过目标识别与行为模式分析算法 [7],有 效执行异常检测与飞行冲突预测。 然后,借助实时三维 渲染引擎与标准化数据治理接口,平台实现了空域态势 的直观可视化与数据资源的有序共享,为决策提供支 持。 最终,依托云边协同架构(即中心云负责全局策略 与大数据存储、边缘节点负责实时数据处理与快速响 应),平台实现了对全域飞行活动的动态与分级管控。 四是应用层(Application Layer)。 应用层面向多 类用户提供差异化核心服务。 监管机构可通过系统实 现空域动态监控、电子围栏管理、飞行计划审批与执行 监控、违规行为取证及应急指挥等;空管服务商可获取 实时交通态势、接收冲突告警及解脱建议、实施流量管 理与空域资源分配等;运营商能够对飞行器进行实时 运行监控、航线优化、接收安全预警并管理电子任务书 等;公众及第三方用户则可访问有限度的空域信息查 询服务与安全告警通知功能等。 3 低空监视的关键问题与优化策略 3. 1 低空监视的关键问题 3. 1. 1 环境噪声引发虚假警报问题 城市低空环境中的多种干扰源是导致系统虚警率 高的关键因素。 飞鸟集群、建筑光污染及电磁杂波等 会显著干扰雷达与视觉系统,例如建筑物玻璃反光所 引发的虚警占比可达 20%以上 [8]。 在城市楼极线以下 虚警问题尤为严重,影响比例如表 2 所示 [9]。 表 2 城市楼极线以下虚警问题 场景类型 占比 典型误报源 地面反光 38% 玻璃幕墙/ 积水反射 低矮物体 29% 垃圾桶/ 绿化带 动态遮挡 22% 公交车顶部广告牌 透视畸变 11% 倾斜视角的交通标志 3. 1. 2 多源数据融合失效 多源数据融合失效主要源于传感器间的数据冲突 与时空不同步。 例如,异构传感器间的轨迹预测不一 致会直接引发误报警;而当各传感器间的时钟同步出 现明显偏差时,则会严重影响到目标的跨传感器关联 准确率 [10]。 在实际的无人机管控系统中,此类问题尤 为突出,例如因激光雷达与视觉数据的时间戳未能精 确对齐通常会导致对非法无人机的漏检。 3. 1. 3 非标目标检测困难 基于传统模式识别算法训练的感知系统,对低空 非标目标的适应性普遍不足 [11]。 在面对异形无人机 (如穿越机等)、特制风筝等非常规目标时,系统检出 ·19· ���E�����0 率会出现显著下降。 同时,为保证覆盖率,系统不得不 放宽判定阈值,导致虚警率明显。 3. 1. 4 可靠性验证缺口 由于现有测试数据集中极端场景(如恶劣天气、强 电磁干扰等)覆盖不足,感知系统在真实复杂环境中部 署时,常出现明显的性能衰退。 例如,在雨雾等不良天 气条件下,毫米波雷达的虚警率会大幅提升;而在存在 强电磁干扰的环境中,无线射频识别(Radio Frequency Identification,RFID)等设备的识别失效率也显著增高。 因此,系统优化的核心目标是在维持高检出率的同时, 有效抑制虚警,全面增强其在实战环境下的可靠性与 鲁棒性。 3. 2 低空监视的优化总体思路 虚假警报产生的根本原因在于,单一特征或简单 特征难以在复杂低空环境中有效甄别真实目标(如无 人机、小型飞机等) 与各类干扰物或背景噪声。 因此, 抑制虚警的核心思路在于通过多维度信息融合与上下 文深度理解,构建更为鲁棒的目标判别模型。 具体技 术路径包括:一是融合异构传感器数据,利用其信息互 补性构建更全面的目标画像 [12];二是结合时间序列分 析,深入挖掘目标在运动轨迹、速度变化等方面的时空 动态特性;三是融入上下文感知机制,综合天气、光照、 地理位置等环境信息以辅助决策;四是借助深度学习 等高级特征学习技术,自动提取具有高区分度与强鲁 棒性的抽象特征。 通过上述技术的协同应用,从而实 现对真实目标的精准识别与对虚警的有效抑制。 3. 3 关键技术方向与模型设计 3. 3. 1 多模态传感器融合技术 一是传感器选择。 低空监视需融合 5G-A、雷达、 无线电探测、到达时间差(Time Difference of Arrival, TDOA)、 光 电 探 测、 无 人 机 远 程 识 别 ( Remote Identification,RID)等技术手段,互补优势以覆盖速度、 图像、声纹及信号等多维度特征(见表 3)。 二是融合层级设置。 融合感知在层级设置上主要 分为数据级、特征级与决策级,三者构成从原始数据到 最终决策的完整技术链条。 数据级融合通过原始数据 (如雷达点云与图像像素等) 的时空对齐实现高精度 感知,但计算复杂度高,适合紧密耦合系统;特征级融 表 3 低空监视传感器类型 细分指标 5G-A 通感 雷达 无线电探测 光电探测 RID[13] ADS-B 技术介绍 中 距 离 覆 盖, 适 用于低慢小目标 监测 长距离覆盖,适用 于空域、水面等多 种 场 景, 高 远 大 目标 被动接收无人机 的无线电控制及 图传信号 实现非接触式精 准 测 量, 适 用 于 目 标 确 认、 类 型 识别、跟踪取证 无人 机 射 频 识 别与监管技术, 适用于微型、轻 型、小型民用无 人航空器 飞机自动广播 位置的空管监 视技术,适用 于大中型民用 无人航空器 单站覆盖 覆盖距离 1 km, 近 端 无 盲 区, 可 组网互补 覆盖高度楼际线 以上至 600 m 以 下空域 3 km, 近 端 存 在 200 m 左右盲区 TDOA 3 站 定 位 500~1 000 m 1~2 km 城区:1~2 km 郊区:5~10 km 几 十 至 几 百 km 优势 建维成本低 可利旧通信站址 连续组网 技 术 标 准 化、 持 续演进 监测成功率高 航迹稳定 精度高 监测速度快、成本低 如能协议破解则 监测效果好,甚至 实现黑飞无人机 精准控制 可雷视融合 可闭环取证 成本低 空飘物等细分场 景效果好 合作 监 视 主 流 技术 成 本 低、 效 果 较好 成熟技术 劣势 楼际线以下 600 m 以上 悬停无人机 频谱需申请 城区建设难度大 近端盲区、近地虚警 难以规模组网 缺少统一 技 术 联 盟,标准化困难 依赖频谱库 定位精度低 易受 Wi-Fi 干扰 不适用于无线电 静默、网联、光纤 无人机 不适合作为独立 监测设备 易 受 天 气 影 响、 遮挡敏感 多目标跟踪困难 依赖通信 容量有限 ·20· �N��5G-A+AI�= � � �����0���� 合从各传感器提取关键特征(如视觉纹理、雷达速度、 声谱模式等)并拼接输入分类器,平衡信息完整性与灵 活性,成为主流方案;决策级融合则让各传感器独立判 断后通过投票或模型综合结果,鲁棒性强但可能损失 细节,适用于松耦合场景。 三是模型架构搭建。 在模型架构层面,系统通过 构建先进的融合网络以实现多模态数据的高效集成与 理解。 目前,主流架构主要包括 3 种方案。 其一,双 流/ 多流网络。 该方案为每种模态数据(如图像、雷达 点云、声音等)设计专用的特征提取子网络,如卷积神 经网络(Convolutional Neural Networks,CNN),实现特 征的并行处理 [14];此后,在高层网络通过拼接、加权平 均或注意力机制等方法进行特征融合,最终接入分类 器完成目标识别。 其二,基于 Transformer 的融合。 该 方案利用其核心的自注意力机制,动态捕捉不同模态 特征间的关联性,使各模态在融合过程中能聚焦于彼 此最相关的信息片段,尤其适用于异构性强、关联复杂 的多源数据融合场景。 其三,图神经网络。 该方案将 低空监视场景中的目标(如无人机、障碍物等)抽象为 图结构中的节点,并通过节点间的边来表征其空间关 系;同时,通过图卷积等操作实时更新节点与边的状 态,从而显式地建模目标间的空间拓扑与交互关系。 当前,结合上述架构优势的混合模型(如图神经网 络嵌套 Transformer 等)以及引入动态自适应机制(如 门控、注意力等),是提升低空感知系统性能与适应性 的核心突破方向。 3. 3. 2 时空动态分析与轨迹建模 时空动态分析与轨迹建模的核心思想在于,真实 无人机与虚警物(如飞鸟、塑料袋等)在运动模式上存 在本质差异。 无人机轨迹通常表现出目的性与规则性 (如悬停、直线飞行、特定航线等),而虚警物的运动则 往往具有随机性和无规律性,其技术实现流程主要包 含 3 个关键步骤。 一是目标跟踪:对检测到的目标进 行持续跟踪,获取其轨迹序列。 二是序列建模:作为该 环节的核心技术,旨在从轨迹序列中学习鉴别性特征。 循环神经网络( Recurrent Neural Network,RNN) 及其 变体凭借其循环结构能够有效捕捉时序依赖关系,适 用于学习无人机的典型动态模式;Transformer 模型则 基于自注意力机制,在并行计算与长距离依赖建模方 面具有显著优势,能够精准识别关键行为模式,其性能 通常优于传统循环网络;同时,一维 CNN 通过局部卷 积操作,能够高效提取轨迹片段中的局部时空特征(如 急转弯、加速等瞬态模式)。 三是特征工程与分类判 别:这些模型通常与特征工程结合使用,通过计算平均 速度、加速度、航向变化率等统计量,以及轨迹平滑度、 高度变化等几何特征,形成多维度的运动表征。 最终, 由支持向量机(Support Vector Machine,SVM) 或随机 森林等分类器,基