型缺乏、任务定制表征学习难等挑战难点。 实现复杂环境下智能无人集群全天候精确感知 复杂环境低代价感知难 非对称掩码视频计数 任务定制混合 Adapter 大规模、多源、多模态、多任务的协同感知开放数据平台 数据 - 标签关系挖掘不充分 任务定制表征学习难 缺乏通用表征学习模型 复杂环境低代价感知技术 挑 战 难 点 关 键 技 术 创 新 海河天眼基座模型 数据支撑 VisDrone ，展开“数据筑基、模型驱动、智能进化、安全护航” 低空安全 低空视觉安全 小 模 型 小 模 型 小 模 型 可拓展的红外 / 雷达 5阶多项式轨迹 MobileNet 轨迹选择模块 MPC 控制器 动态追踪 代价加权 电调输出 1 低空视觉数据集 2 反无人机感知探测 3 低空基座模型 4 低空底层视觉 5 低空目标检测 6 低空目标计数 7 低空目标跟踪 8 多传感器对齐 9 多模态动态融合

协同进化 边端协同 边端小模型 感知大模型 版本迭代 云端赋能 迭代进 化 类 增 量 场景解 析 关键目标理解 特征融合压缩 轨迹规划与优化 最优轨迹生成 动态跟踪控制 代价加权 板载指令执行 多项式轨迹 低空智能从环境感知、推理决策到控制执行各阶段割裂 ，亟需端到端学习范 式 往前向一点钟方向走。经过马路 以及灰白色的建筑后 ， 目的地 就在你进入新街道前的一丛灌木。

首先是覆盖广度与深度的权衡。 为补偿显著的 “基站—RIS—用户”双程路径损耗,RIS 需采用高增益 窄波束,其单点有效覆盖区域有限,采用时分波束扫描 服务多用户或扩大覆盖范围,会以牺牲网络时延和网 络质量为代价,难以满足低空业务的高机动性与可靠 性要求。 若通过波束展宽以扩大覆盖角度,则牺牲覆 盖距离与信号质量,这催生了采用 RIS 进行高密度分 布式部署的需求。 其次是系统复杂度增长。 RIS 部署在带来覆盖扩

件均可随时检测出远程监控站中潜在的设备故障与安全隐患。由此带来的净效 应即：可靠性提升，成本下降。高压电气设备在发生故障前通常会升温。使用 多旋翼无人机搭载红外热像仪可连续监测高压设备，可避免代价昂贵的故障发 生。 B.无人机搭载高清摄像机 C.无人机搭载 LiDAR ④ 施工建设服务 为保证项目管理的全生命周期内的投资目标、质量目标、进度目标的控制，基 于多旋翼无人机倾斜摄影测

..............- 185 - （一） 提高作业效率，降低监管成本........................................- 185 - （二） 资产利用与技术迭代价值突出........................................- 186 - 第十一章 项目设备清单及预算................................. “人工跨系统流转 5-7 天” 缩短至 “智能平台闭环管理 24 小时 内”，据其他城市建设经验来看，每年可提前制止约 150 起 违法事件，避免土地硬化、生态破坏等不可逆损失。 2.资产利用与技术迭代价值突出 专业低空监管设备支持多载荷模块化升级（如从 可见光拍摄扩展至红外热成像、激光雷达测绘），配套数字 化平台预留 AI 算法迭代接口，可适应未来 5-8 年监管需求 变化，避免重复建设导致的资源浪费。从长期看，体系化建 统的人工巡查结合固定式监控的模式，有效提升了监管的时 效性，降低了监管成本。同时，通过数据共享做到各综合监 管中心互联互通，数据共享，有效提升自然资源管理效率和 服务水平。 （二）资产利用与技术迭代价值突出 无人机设备具备丰富的配套 SDK 接口，可支持多 种不同类型挂载，在未来可适配更多的应用场景，同时机身 搭载高清可见光相机配套智能化平台预留 AI 算法迭代接口， 可适应未来 5-8 年监管需求变化，避免重复建设导致的资源

分别为图像在水平方向和垂直方向的亮度变化。基于这些特征，可变形部件 xxx -176- 模型（deformable part-based model，DPM）[29]进一步将目标表示为多个部件的组合，并用形 变代价描述部件之间的相对位置变化。在分类阶段，常用的分类器包括 Adaboost[30]和支持 向量机（support vector machine，SVM）[31]。SVM 通过寻找最大化间隔的超平面将正负样 高效 建模目标的状态转移与运动轨迹，被广泛应用于多目标追踪任务[68-70] 。它能够在观测噪声 存在的情况下，对目标的位置、速度等状态进行平滑预测。常见做法是与数据关联算法（如 匈牙利算法、代价矩阵匹配等）配合，利用预测位置与当前检测结果进行最佳匹配。这类方 法在处理短时遮挡、尺度变化或目标轻微形变时依然有效，并因计算量低而适合无人机实时 场景，但对复杂、非线性运动建模有限。 2）基于卷积神经网络模型。SORT 模型在推理阶段面对未见过的新类别时，凭借极少数样本就能完成可靠计数。这一设定的提 出源于类特定方法在跨类迁移时的脆弱性：当目标从“人群、车辆”等常见类别转向更细分、 更长尾的物体时，传统做法往往需要重新收集数据并进行再训练或微调，代价高且周期长。 为此，研究者将训练组织为“支持集—查询图像”的小任务，通过类似元学习的集上训练机制， 让模型学会在多变的语义空间里提炼“由样本定义的目标概念”，并在新类别上快速泛化。Lu 等人[