预期和实时网络状态, 通过 NFV/SDN 等虚拟化技术实现资源弹性调度, 按需构建差异化业务能力, 如 超低时延、超高带宽、高可靠. 业务运行中, 结合 AI 流量预测与大数据分析, 预测业务流量趋势, 动态 匹配最优资源分配方案, 保障业务稳定性并提升执行效率. 在业务跨域需求下, 还需要协调多个计算、 存储和传输域, 实现跨区域、跨层级业务编排. 业务策略经制定后, 下沉至数字孪生层进行仿真验证, 通过虚拟环境模拟策略执行效果 数字孪生层聚焦高保真孪生建模与状 态同步技术, 结合小尺度时空预测算法, 精准捕获时变环境中的网络拓扑、链路质量、节点能耗及资源 负载等关键参数; 自智管控层则需突破业务自适应的存算网资源协同编排机制, 实现多维资源最优调 度, 并设计管控智能体的分层部署方案, 支撑系统规模化扩展应用. 3.1 低空网络层关键技术 低空网络层是低空经济的通信底座, 也是自智管控架构的物理基础. 针对低空通信存在的空地协 同难、 与地面网络形成有效互补. 我们在前期工作 [37] 中, 研 究了覆盖目标型和容量目标型无人机基站的高能效部署问题, 以提高灾区或突发数据业务下地面通信 的覆盖范围和容量. 具体而言, 首先采用深度强化学习算法计算得到最优飞行路径, 主要用于搜索发 现该区域内的无服务用户. 然后根据搜索结果对用户进行完全聚类, 基于用户分布来分层部署覆盖目 标型无人机和容量目标型无人机, 并寻求在可接受的 QoS 情况下优化能量效率

维航线网络，规避 高层建筑风扰区与热岛效应多发带，使航线气象风险值降低 40% 以上。 开发专用气象保障模块，在台风过境期间实时计算救援无人机可作业窗口期，结合降水粒 子谱分析提供抗雨雾机型的最优飞行高度建议。 1 2 3 创新应用场景 05 精准航线规划 结合气象数据与物流算法，构建智能调度系统， 根据实时天气变化动态调整无人机起降时间、 飞行高度及路径，减少因恶劣天气导致的延误 针对雷暴、冰雹等突发天气事件，提供分钟级 预警服务，提前通知物流运营方采取避让或紧 急降落措施，降低设备损毁风险。 通过高分辨率气象预测模型，实时分析低空风 速、风向、温湿度等参数，为无人机物流提供 最优航线规划，避开强对流、风切变等危险天 气，提升配送效率与安全性。 城市无人机物流 飞行安全评估 基于历史气象数据与实时监测，为 观光直升机、热气球等低空旅游项 目提供安全起降窗口期预测，规避

火、阴燃火等），并评估火势蔓延趋势。 - 环境数据采集：通过气 体传感器和温湿度传感器，采集火灾现场的环境数据，为灭火决策 提供科学依据。 - 动态路径规划：无人机根据火情变化和现场环 境，自动规划最优飞行路径，确保监测和救援任务的高效执行。 - 数据实时传输与可视化：将采集到的火情数据、环境数据和视频流 实时传输至指挥中心，并通过可视化平台展示，辅助决策者快速响 应。 项目的技术架构分为三个层次：感知层、处理层和应用层。感 还可以通过分析烟雾的扩散模式和浓度变 化，预测火势的蔓延趋势，为消防指挥决策提供科学依据。 在消防资源调度方面，AI 识别技术同样展现出强大的潜力。通 过对火灾现场的实时数据分析，AI 可以自动生成最优的消防资源调 度方案，包括消防车辆的路径规划、灭火设备的分配以及人员的安 全撤离路线等。这种智能化的调度方式不仅能够提高灭火效率，还 能最大限度地减少人员伤亡和财产损失。  火灾源识别：AI 蔓延速度，为灭火策略提供数据支持。  资源调度优化：AI 能够根据火灾现场的实时情况，自动生成 最优的消防资源调度方案，提升灭火效率。 此外，AI 识别技术还可以与无人机自主飞行控制技术相结合， 实现无人机的智能避障和路径规划。在复杂的火灾现场环境中，无 人机能够根据 AI 的指令，自动避开障碍物，选择最优路径接近火 灾源，从而确保灭火任务的顺利进行。这种智能化的飞行控制不仅 提高了无人机的安全性，还大大降低了操作人员的负担。

与智能路由、无线自组网的协议优化、边缘计算与协同处理、身份认证与攻击检测等。 （1）拓扑自适应与智能路由 与传统自组网相比，低空自组网中的飞行器速度更快、三维空间机动性更强，导致拓扑 变化频率更高、链路断裂更频繁。因此，可引入最优化理论、多目标决策模型、智能搜索算 法以及 Q-learning 等强化学习策略，以用户的 QoS 要求、通信能效和负载均衡作为联合优 低空智联网场景和关键技术白皮书 31 化目标，通过不断 大时，则需采用频分复用方法，以保证平台间的互不干扰和服务的保障。 （3）多层网络间干扰管理 对于多层网络的干扰管理，主要是面对同频复用的需求。当存在相互干扰时，首先需 要识别干扰来源，并确定最优的频率分配策略。同时，应考虑通过波束的空分复用来减低 低空智联网场景和关键技术白皮书 36 不同子网和不同功能的信号干扰，从而实现频率的最佳使用效率。 4.11 通信与导航融合技术 在低空 场景，通过整合 地理信息、飞行轨迹、气象条件、链路状态等多源实时数据，驱动孪生模型动态更新运行 态势。在虚拟空域中，可对通信链路调整策略、空域资源调度方案和飞行路径规划进行仿 真演练，从而选择最优规划方案和网络优化方案，提升频谱利用率与通信质量。 4.14 通信与算力融合技术 低空智联网中，通算融合技术是空域安全与效率提升的核心支撑。通信与算力融合的 基站不仅负责与低空飞行器、高空基站

320 3.2 智能管理系统 低空运营平台：对接民航 UTMISS 系统，实现飞行计划自动报备、审 批状态实时跟踪；支持多用户权限管理，保障数据安全。 AI 调度中枢：基于强化学习算法，动态规划最优飞行路径，避开禁飞 区与拥堵空域；支持多无人机协同作业，提升任务执行效率。 电子围栏系统：划定园区内禁飞区、限飞区，无人机超出边界时自动 触发返航或悬停，保障飞行安全。 能源监控平台：实时监

于集中式物流系统，具有高度可预测性；而灵活版本则能够根据实时 条件进行动态调整。“点对点”网络适合处理紧急配送任务，而“多点” 或“多跳”系统则提供了更为广泛的覆盖范围。动态混合模型则有望 融合上述多种网络形式，以实现性能最优化。 “航线规划”策略决定了无人机的导航方式。“基本飞行”模式直接简 便，适用于低密度区域；“自由航线”允许基于实时数据动态选择路径， 但对系统智能化水平要求较高。“走廊式航线”在高密度区域提供结构

数据监测：实时监控航班状态，接收飞行器的数据反馈，检测 异常情况。 2. 数据分析：利用人工智能算法进行实时数据分析，预测潜在风 险，提供预警。 3. 决策支持：在航空交通复杂的情况下，自动生成最优的航行方 案，帮助管制员快速做出决策。 4. 反馈系统：实现飞行器与空中交通管理系统之间的信息反馈快 速循环，以确保航行计划及变更信息及时传达。 在实际操作中，系统需要通过定期的模拟测试和实际飞行场景 计划信息，包括起飞、降落和飞行路径。通过与航空公司和机场调 度系统的接口，该子系统能够实时更新航班信息，提高对航班动态 的响应速度。它还需具备优化航班路径和调配资源的智能化能力， 确保在高流量条件下能够以最优方案进行调度。 接下来是通信子系统，作为各个控制中心和航空器之间的桥 梁，其核心职责是确保信息传递的实时性和准确性。通过采用先进 的数字通信技术，包括 VHF（超高频）无线电和数据链路，增强通 数据融合技术主要采用以下几种方法：  卡尔曼滤波（Kalman Filter）：用于线性动态系统的状态估 计，通过动态模型和观测模型的结合，有效降低测量噪声对数 据的影响，并提供对目标状态的最优估计。  贝叶斯融合：采用贝叶斯推断方法，在多传感器环境下，通过 更新先验信息，逐步调整目标状态的后验分布，提高最终估计 的准确度。  Dempster-Shafer 理论：处理不确定性信息的一种方法，可

的指标和标准，对模型输出的结果与真实情 况进行全方位对比分析。评估框架的构建，一方面能帮助研发人员在不同模型架构、算法优 化策略之间做出理性选择，通过量化比较各模型在统一评估标准下的表现，筛选出最优模型； xxx -60- 另一方面，它也让计算机视觉技术在实际应用落地过程中，能清晰知晓模型是否满足业务场 景的性能要求，如在安防监控中是否能准确识别入侵者，在自动驾驶领域是否能精准检测交 通过融合模块整合多任务信息，但保留了所有的预训练适配器。AdaMix[168] 通过引入适应模块的混合和随机路由机制，在保持计算成本不变的同时实现了性能上的提升。 相比之下，MerA[169]采用最优传输机制将多个预训练适配器合并为一个，从而减少了额外参 数。Hyperformer[170]则将多任务信息编码进一个共享超网络，该网络可以根据任务和层 ID 生成适配器参数，处理新任务时，只需训 下一个词元，而不会理解整个回答的正确性或危害性。 （3）多轮对话评估： SFT 难以处理多轮对话的连贯性和长期质量问题。 强化学习（reinforcement learning, RL）[197]是一个通过智能体与环境的交互来学习最优 行为的机器学习范式。智能体通过执行动作，环境会返回状态和奖励。其目标是学习一个最 优策略，从而最大化其累积回报的期望。 基于人类反馈的强化学习（RLHF）[198]通过引入人类偏好，将语言模型的训练目标从模

典型场景实践 在物流配送场景中，通过构建路径优化数字孪生体，对物流配送过程进行模拟和 优化，降低了 30%的配送成本。数字孪生体能够实时反映物流配送的实际情况，通过 对各种因素的分析和模拟，找到最优的配送路径和方案。 在电力巡检场景中，利用大数据湖一体化平台实现了缺陷识别准确率提升至 98.7%。通过对无人机采集的大量电力设备图像数据进行分析和处理，结合 AI 算法， 能够准确识别设备的缺陷和故障，及时进行维修和维护。

低空通用大模型 + 小模型工 厂 策控一体化 多模态输入 感知编码器 策略网络 RealSense 深度图 多轨迹输出 姿态状态向量 MLP 状态向量 碰撞预测 飞行控制指令 板载执行 最优轨迹确定 低空具身智能 数据基础平台 大规模低空数据平台 仿真 - 物理具身数据基座 集群协同数据基准 低空无人机数据基座建设 面临低空智能感知挑战 ，展开“数据筑基、模型驱动、智能进化、安全护航”