保 · 易 安 装 维 护 互动屏 分布式综合管理系统 音视频信号切换控制 任何区域的音视频随时随地的推送、播放、点播 对展厅视频进行统一管控、场景预制、播放视频内容、空气检测等。 低空产业成果与能力展示 低空产业园相关政策展示 低空经济发展历程展示 无人机应用案例展示 分布式综合管理系统 对展厅的音量大小调整、设备上电 / 断电控制、环境控制等 的发展（实时字幕） 支持单个音频文件时长 最长为 18 小时 标准普通话语音转写 正确率高达 98% 实时语音转写延时 ≤200 毫秒 语音转写 U Q 会议录播系统分类有一体机录播系统 、 分布式录播系统 （ 网络录制 ） ，实现对会议过程中的拍摄画面 、 PPT 演稿 、 发言声音 、 多媒体影音等进行录制 ， 并且可提供在线直播 、 会后点播、 资源整合等应用功能 … … 单位主会场 生态 系统 接入 低空运营指挥 中心 分布式服务器 输入盒 通信服务器 输出盒 存储服务器 客户端软件 会议主机 音频处理器 会讨话筒 音箱 应急指挥 监控联动 集中管控 坐席协作 指 挥 调 度 部 署 决 策 分布式管理系统 会议扩声系统 大屏系统 ```````

低空智联网是实现低空空域高效运行与安全控 制的重要保障. 由于低空智联网的立体化覆盖、高可靠通信、超精准服务等特征, 使得传统的被动式 网络管控技术难以满足业务随需服务要求, 亟须融合数字孪生、自智网络、分布式人工智能等新型技 术突破管控瓶颈. 为应对以上挑战, 本文分析了低空智联网的特征和需求, 提出了数字孪生驱动的低 空智联网自智管控架构. 依托自智管控闭环, 分别分析了低空网络层、数字孪生层、自智管控层的功 以 实现更加智能、高效的实时网络管控. 其核心思想是, 通过在虚拟空间构建与物理网络环境对应的数 字孪生体, 实时采集与映射低空智联网的网络拓扑、资源状态、业务需求、环境信息等; 借助大模型、 分布式 AI 等新型技术实现对网络的智能感知、预测与自适应管控; 并支持故障快速自愈, 从而保证业 务连续稳定运行与网络资源高效利用. 喻鹏等 中国科学 : 信息科学 2025 年 第 55 卷 第 10 在复杂三维空域中构建尺度可控 的动态数字孪生体, 为自主决策提供高保真数据支撑, 突破传统网络 “感知 – 决策 – 执行” 的时延瓶 颈. 自优化: 集成各种感知信息, 结合内生 AI 能力与分布式框架, 低空智联网实现网络资源的自适应 调度. 自演进: 利用机器学习模型持续挖掘历史运行数据中的隐含规律, 搭建数据 – 知识 – 决策的闭 环进化, 逐步提升网络对复杂空域环境和任务需求的适应能力

倾斜摄影模型、激光点云、 BIM 、 VR/AR 、场三维 CIM 、三维地理设计、游戏引 擎 基于 AI 的实景三维单体 建模 分布式 GIS WebGIS 服务集群 云 GIS 智能集群 GIS 分发服务器 分布式空间分析与处理技术 分布式空间数据存储与管理技术 跨平台 GIS 跨服务器 OS(863 项目支持 ) 跨 PC 端 OS 、跨移动端 OS 跨 CPU 指令集 技术体系

六大基础平台涵盖了数据处理的各个环节： 1. 多模态数据汇聚平台支持 Lidar、ADS - B 等多种数据接入方式，能够将来自 不同设备、不同格式的数据进行统一汇聚，为后续的数据处理奠定基础。 2. 分布式存储计算平台基于云边端三级架构，实现数据的分布式存储和计算， 提高数据处理的效率和可靠性。在云端进行大规模数据存储和复杂计算，在边缘端 进行实时数据处理和分析，实现数据的快速响应。 3. 智能数据处理平台包含数据清洗、特征工程等模块，能够对原始数据进行清

对图像进行快速识别和分类。通过模型剪枝、量化和知识蒸馏 等技术，减少模型的计算复杂度和内存占用，从而提高处理速 度。 2. 硬件加速：利用 GPU 和 TPU 等高性能计算硬件，加速图像处 理过程。通过并行计算和分布式处理，大幅提升处理能力。例 如，使用 NVIDIA 的 CUDA 技术，可以在 GPU 上实现高效的 图像处理。 3. 数据处理流程优化：设计高效的数据预处理和后处理流程，减 少不必要的数据 目标的自动识别与分类。算法应具备高精度、低误报率的特点，并 能够在复杂背景和动态环境下稳定运行。为了提升处理效率，系统 需支持分布式计算和 GPU 加速，确保大规模图像数据的实时处理 能力。 在数据存储与管理方面，系统需设计高效的数据存储架构，支 持海量图像数据的快速存取与检索。建议采用分布式文件系统（如 HDFS）或云存储解决方案，结合数据库管理系统（如 MySQL、MongoDB）进行结构化与非结构化数据的统一管理。同 在性能优化方面，系统需通过算法优化、硬件加速和并行计算 等手段提升整体性能。例如，采用模型剪枝、量化等技术降低 AI 算法的计算复杂度，利用 FPGA 或 ASIC 芯片实现硬件加速，通过 多线程或分布式计算提升处理效率。性能指标应满足以下要求：  图像处理速度：单帧图像处理时间不超过 200ms；  目标识别精度：在标准测试集上的平均精度（mAP）不低于 90%；  系统响应时间：从图像采集到结果输出的总延迟不超过

实时更新模型参数，提高对新出现火灾特征的识别能力。同时，系 统应具备一定的容错能力，即使在部分数据丢失或质量不佳的情况 下，仍能保持较高的识别准确率。 在数据处理方面，AI 识别系统需要高效处理大量视频和图像数 据。系统应支持分布式计算架构，利用云计算资源进行大规模数据 处理，确保在高并发情况下的响应速度和稳定性。此外，系统应具 备数据压缩和传输优化技术，减少数据传输的延迟和带宽占用。 最后，AI 识别系统应具备良好的用户界面和操作体验。系统应  实时处理能力：快速分析视频流数据，识别火灾隐患。  高精度图像识别：采用深度学习算法，适应不同环境条件。  自学习能力：通过持续数据输入和反馈，优化识别模型。  数据处理能力：支持分布式计算架构，高效处理大量数据。  用户界面：提供直观的可视化界面，支持多平台访问。 通过以上技术要求的实现，AI 识别系统能够在低空无人机消防 部署中发挥关键作用，提高火灾检测的准确性和响应速度，为消防 多机协同通信：在多机协同场景下，无人机之间需进行实时数 据共享和任务分配。建议采用以下方案： o 自组网技术：通过 Ad-hoc 网络实现无人机之间的直接通 信，减少对地面基站的依赖。 o 任务分配算法：基于分布式计算，实现无人机之间的任 务动态分配，确保任务执行的效率。 7. 数据存储与备份：为确保数据的完整性和可追溯性，所有传输 的数据需进行实时存储和备份。建议采用以下方案： o 云端存储：将视频流、传感器数据和

家顶层设计与地方差异化实践贯通，围绕“规则从何而 来、如何落地可执行、谁来协同治理、怎样形成规模化供给”四个核心问题展开系统分析。在审视欧洲 U-Space 强调市场化服务和美国 UTM 侧重分布式协同的治理经验与教训后，本报告认为中国路径选 择将更具特色，需在集中统一监管与市场化服务供给之间找到最佳平衡。 本报告的核心判断是：“十五五”的成败取决于三大关键变量——规则统一的速度、区域协同的 1-1：低空经济新维度 其“新质生产力”内涵体现在多个层面： ⚫ 技术革命性突破：低空经济的发展是航空技术、新能源技术和数字技术深度融合的产物。 以 eVTOL（电动垂直起降飞行器）为例，其涉及的分布式电力推进（DEP）、高能量密 度电池、先进飞行控制、轻量化复合材料、高集成度航电系统等，均是前沿技术的集成 创新。它并非传统通用航空的简单延伸或电动化，而是在动力范式、能源形式和控制方 式上的 第五章 未来空管蓝图：构建智 慧空中交通的数字底座 本章要点： ⚫ 国际对标与中国路径：在深入反思欧洲 U-Space（服务化、市场化）与美 国 UTM（分布式、协同式）的治理哲学与实践教训后，中国的路径宜采 取“集中统一监管+市场化服务供给”的混合模式，在确保国家安全与公 共利益的前提下，最大限度激发市场活力。 ⚫ 中国方案“四张网”：低空智联体系可系统性地解构为相互支撑的设施网、

数据导入等多种方式。该层的架构应能够支持实时数据流的处理， 并能够对未结构化数据进行初步处理，为后续的数据分析和决策提 供支持。 接下来是数据处理层，该层的核心任务是对收集到的数据进行 清洗、存储与分析。这一层可以采用分布式数据处理框架，如 Apache Hadoop 或 Apache Spark，以适应海量数据的存储和处 理需求。该层的重点是构建数据仓库和数据湖，以容纳各种类型和 格式的数据，并利用机器学习和人工智能技术进行深度分析。例 进行高效存储，考虑使用时序数据库（如 InfluxDB）专门处 理时序数据，以需求灵活性和访问速度为重要因素。 4. 任务调度系统：对数据采集任务进行调度管理，确保数据定时 更新和实时传输，利用分布式系统提升数据获取的效率。 5. 数据安全模块：在数据采集过程中，确保数据传输及存储的安 全性，对敏感数据进行加密处理，制定访问控制策略。 这样设计的数据采集模块能够高效、准确地获取低空产业相关 拆分为独 立的服务，便于维护和扩展。 数据存储是技术基础设施中不可或缺的一部分。平台需要处理 和存储大量的历史数据、实时数据以及用户交互数据。考虑到数据 的规模和多样性，建议采用：  分布式数据库系统，支持高并发读写和水平扩展能力。  数据备份和灾备机制，以防止数据丢失和业务中断。 此外，边缘计算的应用能够极大提升平台的响应速度和数据处 理能力。通过在数据产生源附近部署边缘计算节点，可以实现数据

些模块之间 应通过明确定义的接口进行交互，确保在增加新功能模块或升级现 有模块时，其他模块不会受到影响。 其次，采用分布式架构是实现可扩展性的另一个重要策略。利 用云计算和边缘计算技术，可以将处理任务分布到多个物理设备 上，从而提升系统的处理能力和灵活性。这样的分布式系统可以根 据流量的变化动态调整资源分配，避免集中处理带来的性能瓶颈。 在技术实现上，引入微服务架构也能增强系统的可扩展性。通 速度、高度等关键参数。这些数据采集设备必须具备较低的延迟， 以允许系统在最短时间内更新飞行状态。 其次，数据处理模块应采用高性能计算平台。充分利用大数据 技术和云计算能力，快速处理瞬息万变的航空数据。系统可以采取 分布式计算策略，将数据处理分散到多个节点，以提高整体处理速 度和可靠性。 再者，实时信息的传递能力也是系统设计的重要组成部分。建 立快速稳定的通讯网络，确保空管部门、飞行器及其机组人员之间 的信息 感器技术获取飞机位置、速度、航向等信息。同时，该模块将 整合天气数据，帮助管制员判断航线的安全性。 2. 数据管理与存储模块：此模块需具备高效的数据存储能力，能 够支持大数据量的处理与存储。应使用分布式数据库技术，确 保数据的高可用性和快速访问。数据备份和恢复机制同样不可 或缺，以防数据丢失。 3. 决策支持模块：此部分会实现基于实时数据的智能决策支持系 统，包括航路规划、冲突检测与规避、应急响应路径等。该模

URLLC （超可靠低时延通信）技术实现毫秒级数据回传，备用北斗 RDSS 短报文 通道确保极端天气下的通信可靠性，系统端到端时延控制在 200ms 以内。 基于 GeoMesa 时空数据库构建分布式存储系统，支持每秒 10 万级传感器数据的实时入 库与索引，提供时间序列插值、空间插值等数据融合服务，满足 PB 级气象数据的管理需 求。 1 2 3 低空微气象预报中心 03 多源数据采集