多任务协同学习 视觉－语言－动作 (VLA) 多智能体社会化交互 群体态势自主感知 集 群 协 同 感 控 一 体 视 觉感 四 未来工作 一 研究背景 二 VisDrone 数据平 台 · 三 · 低空协同感知脑 混合专家动态融合 数据支撑 大规模、多源、多模态、多任务的协同感知开放数据平台 双向动态提示学习 复原融合一体化学习 多模 k(sio cn·wi o car)) 模型动态学习模态 - 场景的关联信息 ， 实现场景样本自适应的多模态动态融合 创新：提出局部到全局的混合专家多模态动态模型构建“模态 - 场景”动态感知关联 (ICCV 2023) 在多模态非固定关联范式中动态地相互融合主导 - 辅助模态信息 双向 Adapter 结构简单、高效（仅添加 0.32M 可学习参数） ，以通用的方式将互补特征从一种模态转移到另一种模态。 每个模态分支从其他模态中学习提示信息 ，与当前模态的特征信息相结合 ，增强表征能力。 创新：基于双向 Adapter 的多模态追踪视觉提示框架 (BAT) 实现了出色的多模态互补性（ AAAI 2024 ） 任务门控的多合一退化多模态融合模型（ TG-ECNet ） Ir=TG-EC Net(t,f 动态感知低质量图像退化类型 ，提示引导专家协同学习 ， 实现 All-in-One

、协作具身 感知推理 群体执行协调不稳定 多机具身协同难 ，导致群体具身智 能感策控实现难 性能进化难 灾难性遗忘 协同自主进化机制匮乏 ，导致感知 与持续学习能力双重受限 多机协同感知数据 协同感知与具身基础数据匮乏 ，导 致基座构建受限 “ 自主差” “ 协同难” “ 数据缺” 感知大模型 Z Z " 面 。模型 1 a 模型 2 能 群体协同规划冲突 群体感知不一致 协同 一、 低空研究背 景 二、 低空数据平 台 三、 低空感知大 脑 CONTEN TS 统计机器学习长期关注数据规模、 结构及分布与模型 泛化间规律 前提假设和静态度量失效 经验规律重构新范式导向 数据样本量稀缺 需严格约束模型复杂度 根据数据结构选择模型 维度问题影响模型选择 2017 经典泛化理论质疑： Zhang, C. 《 Understanding deep learning requires rethinking generalization 》 深度学习的 “记忆随机标签”实验 ，质疑经典 VC 维解释泛 化的有效性 2019 双下降现象与复杂度权衡曲线： Belkin, M. 《 Reconciling modern machine learning

120 米以下空域的低空环境感知，构建了世界上规 模最大的低空视觉感知数据平台，包含超过 2000 万图像/视频帧和 2000 万目标标注，支持 多任务学习（目标检测、目标跟踪、目标计数、群体分析）、多模态学习（可见光、热红外）、 多机/空地协同学习，采集范围覆盖全国 14 个省市。依托雄安国创中心低空智能实验室，联 合天津大学、东南大学和国创岚天，团队正式发布了雄安国创天巡平台。目前，该平台已在 平方公里。未来，全国预计将部署超 过 10 万个机巢，覆盖全国 960 万平方公里土地，实现低空全域覆盖，产生海量的低空感知 数据。如何从海量低空数据中建立数据引擎，主要挖掘高质量数据，实现低空感知大脑的自 主学习和进化，是亟需攻克的技术难题。未来低空智能将主要聚焦低空基座模型、低空具身 智能、低空群体智能以及低空安全，衍生出低空世界模型及模拟器等新数据平台和引擎。 2025 年，VisDrone 团队通 ...................................................................................... 126 2.3.4 强化学习技术.................................................................................................

或遗漏，导致决策的滞后性和不准确性。此外，随着无人机采集的 数据量呈指数级增长，如何高效处理和分析这些海量数据成为亟待 解决的技术难题。 近年来，人工智能（AI）技术的突破为无人机图像处理提供了 新的解决方案。通过深度学习、计算机视觉等 AI 技术，可以实现 对无人机图像的自动识别、分类和分析，显著提升处理效率和准确 性。例如，在农业领域，AI 可以自动识别作物的生长状态、病虫害 情况；在城市管理中，AI 可以实时监测交通流量、识别违章建筑； 和全自动控制。基于人工智能的飞行控制系统能够实现自主避障、 路径规划和目标识别等功能。特别是在低空飞行场景中，无人机需 要处理大量的环境数据，如建筑物、树木、电线等障碍物，这对算 法的实时性和准确性提出了更高要求。通过深度学习算法，无人机 可以在飞行过程中实时识别并避开障碍物，同时完成图像采集、目 标检测等任务。 无人机技术的发展还受益于通信技术的进步。5G 网络的普及 为无人机提供了高带宽、低延迟的通信能力，使得无人机可以在更 规 划、灾害评估等领域的应用日益广泛。然而，传统的无人机图像处 理方式主要依赖人工分析，存在效率低、成本高、主观性强等问 题。AI 图像识别技术的引入为这一领域带来了革命性的突破。通过 深度学习算法，AI 能够自动识别图像中的目标物体、地形特征以及 异常情况，极大地提升了图像处理的效率和准确性。 在农业领域，AI 图像识别技术能够自动识别作物种类、生长状 态以及病虫害情况。例如，通过训练卷积神经网络（CNN）模型，

练、航空文化传播、航天教育及低空经济发展而设立的综合性基 地。其主要功能涵盖了飞行器的驾驶、维护、航线规划、安全训练 等核心航空业务，旨在为飞行爱好者、专业飞行员及未来的航空事 业人才提供全面的学习与实践平台。 航空飞行营地的定义不仅局限于物理空间的规划设计，还包括 其在航空生态系统中的多重角色。首先，航空飞行营地应该具备完 善的基础设施，如跑道、停机坪、机库、培训中心及相关服务设 施 实践能力具有重要意义。对于受教育者而言，实行 游学结合 的教 育模式，不仅能让学生在理论学习中更好地消化知识，还可以通过 实际操作来加强对知识的理解。特别是在航空领域，学生可以通过 参与真实的飞行体验和观察航空器的结构、设计过程，从而激发对 航空科学的兴趣。 研学基地的目的具体体现在以下几个方面： 1. 提升科学素养：通过航空飞行和航空相关知识的学习与实践， 提升学生对科学和技术的理解，培养他们的逻辑思维能力与问 生增强对航空的兴趣及认知。 3. 团队协作能力培养：通过团体活动，提升孩子们的沟通能力和 协作意识，培养领导力和决策能力。 4. STEM 教育结合：将航空科技与科学、技术、工程和数学相结 合，提供跨学科的学习体验，提升学生的综合能力。 根据中国航空发展政策和青少年教育市场的趋势分析，预计到 2025 年，国内青少年航空教育市场规模将达到数十亿元，年均增 长率高达 20%。为进一步明确目标市场，以下数据和信息至关重

能化和高效化。 1.1.2 AI 识别技术在消防中的潜力 AI 识别技术在消防领域的应用潜力巨大，尤其是在低空无人机 消防部署中，其优势尤为突出。首先，AI 识别技术能够通过图像处 理和深度学习算法，快速准确地识别火灾源、火势蔓延方向以及潜 在的火灾隐患区域。传统的火灾监测手段依赖于人工巡查或固定摄 像头，存在响应速度慢、覆盖范围有限等问题。而 AI 识别技术结 合无人机的高机动性，可以实现对大面积区域的实时监控，显著提 为实现上述目标，项目将采用以下技术路线： - 无人机平台： 选用具备长续航、高稳定性和抗干扰能力的多旋翼无人机，配备高 清摄像头、红外热成像仪和激光雷达等传感器。 - AI 算法：基于深 度学习的图像识别模型，结合卷积神经网络（CNN）和目标检测算 法（如 YOLO ），实现对火源、烟雾和人员的高精度识别。 - 数据 处理与传输：利用边缘计算技术，在无人机端进行初步数据处理， 减少数据传输延迟；同时，通过 像头、红外热成像仪、激光雷达等传感器，以满足不同场景下 的数据采集需求。同时，无人机将集成实时数据传输模块，确 保与地面指挥中心的通信畅通。 2. AI 识别算法开发 项目将开发基于深度学习的火灾识别、烟雾检测、人员定位等 核心算法。算法将针对火灾场景进行优化，确保在复杂背景下 的高准确率和低误报率。具体功能包括： o 火灾早期预警：通过实时图像分析，识别火源和烟雾。 o 人员搜救：利用热成像技术，定位被困人员。

“容量规划 + 固定配置” 模式难以 适应低空场景中通信、计算、频谱资源的动态耦合需求 [5]. 再次, 故障恢复时效性不足. 人工介入的故 障定位与被动式处理流程无法满足低空业务实时性要求, 缺乏基于自主学习的故障预测、分析和恢复 能力 [6]. 最后, 安全防护体系碎片化. 传统安全机制难以应对低空跨域场景下的新型威胁 [7], 如无人机 身份伪造、数据跨域传输泄露等问题. 为应对上述挑战, 本文引 通过用基于深度学习的认知功能 (cognitive function, CF) 取代基于规则的自组织网络 (self-organizing network, SON) 来推进网络管理自动化. 针对不同的 CF 可能同时尝试调整相同的控 制参数导致冲突, Banerjee 等讨论了多供应商网络中发生冲突的概率, 并强调从架构层面进行设计以 避免冲突的重要性. Bai 等 [30] 全面总结了强化学习方法在具备智能能力的多 wireless network, MUWN) 提供了更强的资源承载能力, 但在面对不同环 境条件下的决策和多目标优化时, MUWN 的有效运行需要更高水平的自动化和智能能力. Bai 等分析 了强化学习在 MUWN 中的各种应用, 包括数据访问, 感知和收集, 无线资源分配, UAV 辅助的移动边 缘计算, 定位, 轨迹规划和网络安全. 上述研究探讨了自智网络如何革新传统网络管控范式, 部分聚焦 于承载多维资源的

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 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 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

，将 “丰知”模型、 调 度算法等实际案例写入教材。 案例融入教材 无人机应用技术教材加入农业植保、 电力巡检等典型应用场景案 例 ，增强学习实用性。 数字资源配套 开发电子教材、 在线视频课程、 仿真软件等数字资源 ，支持学 生随时随地学习。 版本动态更新 每两年更新教材版本 ，确保内容紧跟低空经济技术进步与行业变 化。 教材体系建设 PART 05 校企协同育人机制 调度人才培养方案 ，按企业需求定制课程内 容。 校企协议用人机制 院校与企业签订用人协议 ，确保学生毕业即 入职 ，缩短企业二次培养周期。 就业直通通道 企业为订单班学生提供优先录用资格 ，打通 “学习—实训—就业”全流程。 岗前模拟实训 学生在校期间接受企业岗前实训 ，熟悉实际 操作流程与工作标准 ，提升上岗适应能力。 双师型教师团队 理论实践双能并重 教师同时具备高校教学能力和企业项目经验 ，提升教学质量。 教师评价多元化 引入企业参与教师绩效考核 ，依据学生实操 能力提升情况评价教师教学效果。 教学反馈持续改进 建立双师教学反馈机制 ，及时调整教学方法 与内容 ，提升学生学习成效。 01 04 02 03 学生分组完成无人机研发项目， 从需求分析到整机调试全程参 与 ，提升团队协作与问题解决 能力。 济宁某学校采用森林火灾救援 项目开展教学 ，学生通过虚拟

全域通航 低空经济服务平台建设实施方案 行业报告资源群 1. 进群福利：进群即领万份行业研究、管理方案及其他 学习资源，直接打包下载 2. 每日分享： 6+ 份行业精选、 3 个行业主题 3. 报告查询：群里直接咨询，免费协助查找 4. 严禁广告：仅限行业报告交流，禁止一切无关信息 微信扫码 长期有效 专业知识社群：每月分享 10000+ 份行业研究报告、商业计 划、市场研究、企业运营及咨询管理方案等，涵盖科技、金 成 为投资、产业研究、企业运营、价值传播等工作助手。 知识星球 行业与管理资源 微信扫码 行研无忧 免责申明： 1. 本资料来源于网络公开渠道，版权归 属版权方； 2. 本资料仅限会员学习使用，如他用请 联系版权方； 3. 会员费用作为信息收集整理及运营之 必须费用； 4. 如侵犯您的合法权益，请联系客服微 信将及时删除。 低空经济是新质生产力的 典型代表 2021 年 GDP 增长 3-5 个点 促进产业链协同发展 为当地立体交通做赋能 提升当地居民生活幸福感 全域通航 · 通航全域 行业报告资源群 1. 进群福利：进群即领万份行业研究、管理方案及其他 学习资源，直接打包下载 2. 每日分享： 6+ 份行业精选、 3 个行业主题 3. 报告查询：群里直接咨询，免费协助查找 4. 严禁广告：仅限行业报告交流，禁止一切无关信息 微信扫码 长期有效