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 团队通过低空智能专题形式，梳理了低空环境智能感知领域的研究 脉络和代表性工作，共计 1754 篇参考文献和 355840 字，内容涵盖低空底层视觉、低空基座 大模型、目标检测与分割、目标跟踪、目标计数、反无人机、具身智能、定位与建图以及空 ............ 78 第二章 低空大模型 ........................................................... 98 2.1 前言 .....................................................................98 2.2 低空大模型 ...................... ...............99 2.2.1 低空大模型概述.............................................................................................................................99 2.2.2 视觉大模型.............................

，低空智能感知面临“看不清” ，“看不准”和“看不全”的挑战 “ 看不清 ” 雨雪雾恶劣天气和低光照环境降低 了无人机对目标的感知清晰度 “ 看不准” 低空感知模型进化难 “ 看不全” 多机跨视角感知难 “ 看不清” 复杂环境全天候感知难 低空感知 基础模型自主进化技术 水情监测 研究挑战 关键难题 技术创新 低空复杂环境 全天候感知技术 安防巡检 多机跨视角 协同感知技术 应急搜救 前期数据、场景、模型 上耗费时间显著降低 70% 50% 40% 数据收集时间 场景适配时间 模型训练时间 算法部署效率 模型赋能 数据驱动 场景适配 模型 流水工厂 配套 落地 数据 百城共建 通过数据、模型、场景的三维融合展示 点 关 键 技 术 创 新 局部 - 全局的混合专家动态模型（ MoE-Fusion ） Gioc al(sio car)=soft ma ac(top 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

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 F 含 一 场景理解 物体理解 感知评估 协作决策 多机协同具身感知与推理数据缺乏 性 。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 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 the bias/variance dilemma 》 系统阐述非线性模型的偏差 - 方差权衡与数据 维度挑战 1995 年：数据模型经典范式 Vapnik, V. 《 The Nature of Statistical Learning Theory 》 提出结构风险最小化原则 ，建立数据量决定可 安全使用的模型复杂度经典范式 1971 年： VC 维 Vapnik, V. & Chervonenkis

(self-configuration)、自修复 (self-healing)、自优化 (self-optimization). 数字孪生 (digital twin, DT) 技 术 [9] 可以通过构建物理实体的虚拟模型, 并与物理世界进行实时数据交互, 实现对系统的模拟、监测 与优化. 利用数字孪生技术构建自主管控体系, 可以支持网络变化的精准感知和动态可控的资源高效 调度 [10]. 作为服务低空经济领域的关键网络基础 提出了数字孪生驱动的低空智联网自智管控架构, 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 研究范畴, 定义了 NTN 的应 用场景、信道模型及初步架构. 接下来的 Release 16 聚焦于架构设计与协议增强, TR 22.822 [25] 和 TR 38.821 [26] 技术报告明确了 NTN 在 5G 中的用例, 包括广域覆盖、灾难恢复和物联网; 细化了 NTN 部署场景, 包括低/中轨道和地球静止轨道卫星、高空平台; 定义了模型同步机制以及部署频段, 提出 了物理层增强方案和高层协议适配性修改

erMap SuperMap 建筑精细模型 倾斜摄影数据 三维场景数据 Pf 将空域环境模型、物理基础设施模型、三维空间模型、渲染 / 演进引擎、飞行模型、信息基础设施模型等类 型接入平台中，实现低空要素数字化。 ≤20 ≤100 ~1,000 独立区域 如独立绿地建筑 交通枢红 例，与其他交通 物联数据 设施模型 低空空域要素数字化 大型停机场 · 加大版垂直停机站，集合其他运输 AI 大模型 大数据 GIS 空间大数据存储与处理 ( 含：流数据处理 / 实时 GIS) 地理统计分析、有限元 分析、元胞自动机模拟 数据科学 云原生 GIS 云使能 GIS 、云 GIS 云原生 GIS( 微服务、容器化、 自动化编排 ) 边缘计 算、 ServiceMesh Serverless 、 AIOps 新一代三维 GIS 二三维一体化 倾斜摄影模型、激光点云、 配套运行设备 信息基础模型 气象网 停机坪 数据存储系统 拓展应用 低空检测平台 通航飞行计划 低空情报服务 现代空管系统 区域信息管理 应用层 平台层 物联层 数据层 网络层 物理设 施层 仿真模拟使能引擎 水面无人船舶 飞行器模型 低空物联管理引擎 空域无人机 空域环境模型 大模型智能引擎 陆地无人交通 物理基础模型 低空空域数字孪生平台 -

中国民航局建立低空飞行保障三级体系 政府政策支持力度 垂直领域蕴藏新机遇 产业快速发展 市场缺口巨大 全国已备案核心基础大模型 寒武纪 2023 年市场规 模 N 种模型 场景算法 感知大模型 模型储备丰富 自研算法突破感知瓶颈 算法模型开发模块化 低空感知场景的云端大脑 “ 采、识、管、处、析、报”生命周期管理， 形成的洞察反哺优化后续巡检策略与 AI 算法， 构建智慧运维的增强闭环。 算法适配度低 准确度不满足需求 开源算法 传统小模型 缺乏系统性解决方案 场景技术迁移成本高 Platform Solution 处置 接单 模型自适应进化 大模型事件审核 模型生产流水线 任务编排智能体 无人机集群调度系统 l 机场机巢接入 l 无人机接入 l 分飞行区域划分 l 航行日程编排 百城百景 模型工厂 军航 政府部门 UOM 平台 民航 ATM 无人机集群一网统飞 业务事件处理一网统筹 支撑整个城域巡检云端大 脑 “ 采、 识、 管、 处、 析、 报 ”全生命周期管理 事 业 务 派 图像识别 大模型技术 智能体嵌入 集群调度系统 实时视频分析 理论计算法 API 接入 机场上云 API 接入 智能算法 API 接入 基础设备

系统的核心功能包括图像采集、实时传输、AI 识别、数据分析 和结果输出。无人机将按照预设的航线自动飞行，采集高分辨率图 像，并通过无线网络实时传输至地面站。地面站配备高性能计算设 备，运行 AI 模型对图像进行识别，识别内容包括但不限于植被覆 盖、建筑物分布、道路状况、水体变化等。识别结果将自动生成报 告，并通过用户界面展示，支持进一步的数据分析和决策支持。 为确保系统的稳定性和可靠性，项目将采用模块化设计，每个 像头、多光谱传感器等，以增强图像识别的准确性和适用性。此 外，系统还将具备自动避障、路径规划、电量监控等智能功能，确 保无人机在复杂环境下的安全飞行。 项目的主要技术难点在于 AI 模型的训练和优化，需要大量的 标注数据进行模型训练，并不断调整模型参数以提高识别精度。为 此，项目将建立一个大规模的图像数据库，涵盖各种地形和气候条 件下的图像样本。同时，项目还将开发一套自动标注工具，减少人 工标注的工作量，提高数据处理的效率。 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， 系统可以准确识别小麦、玉米等作物的生长阶段，并实时监测病虫 害的分布情况。这不仅减少了人工巡检的工作量，还为精准农业提 供了数据支持。根据实际应用数据，AI 图像识别技术在作物分类任 务中的准确率可达

无人机自组网示意图 在数据安全防护方面，采用加密传输和数据签名认证技术，从源头保障控制 指令和业务数据在传输中的完整性与真实性。同时，通过监测数据流动，识别异 常流量并分析数据内容，结合威胁情报与模型预判攻击行为，实现安全风险及时 预警。配套数据安全存储机制，最终形成覆盖通信与数据采集、传输、存储、处 理全生命周期的安全管理闭环，为低空智联网筑牢安全屏障。 3.多源异构传感器融合定位 在 的无 人机任务执行提供更精确和全面的环境信息。 基于内生安全动态冗余理念，多传感器融合技术融合处理激光雷达、毫米波 雷达、视觉传感器、超声波传感器等异构传感器数据，构建统一的传感器数据融 合模型，对各类数据进行时间同步和综合分析，最终输出更准确全面的环境信息， 有效降低单一传感器失效风险。 图 10 多传感器融合示意图 智能导航算法紧密结合低空环境约束（如禁飞区、交通规则等），通过学习 4.3. 人工智能安全 1.数据安全技术 在低空领域，人工智能广泛应用于飞行控制、目标识别、路径规划等关键环 节，其运行高度依赖高质量数据的支持与算法模型的稳定性。然而，在人工智能 应用过程中，数据易遭受泄露、污染、投毒等安全威胁，导致模型性能退化甚至 行为异常，严重影响低空飞行器的运行安全。因此，保障数据安全，确保数据的 质量和可靠性，已成为提升人工智能技术安全性的重要任务。 首先，

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 应不同 的环境条件，如光照变化、天气影响等，确保在各种复杂环境下都 能稳定工作。 此外，AI 识别系统还需具备自学习能力，能够通过持续的数据 输入和反馈，不断优化识别模型。系统应支持在线学习机制，通过 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 和桌面设备，确保消防人员能够随时随地获取关键信息。  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

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 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 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