Reconfigurable Intelligent Surface, RIS)是一种基于无源、准无源超材料设计的具有可编 ·31· ���E�����0 程特性的电磁表面结构 [2],通过动态调控阵元状态,智 能化调节入射电磁波的相位、幅度、频率以及极化状 态,使入射信号经过 RIS 透射或反射作用后,出射信号 在特定方向上实现干涉叠加,从而把能量聚焦于预设 区域,形成较高的波束赋形增益。 化动态智能调控,有效扩展基站覆盖水平角和俯仰角 范围,提升天线阵面口径增益,也能够以低成本、低功 耗方式有效解决低空连续广覆盖问题。 图 5 基于 RIS 扩展 AAU 阵面示意图 4. 1. 2 基于 RIS 简化基站架构设计 基于 RIS 调制信源信息,实现简化架构的发射机 设计,如图 6 所示,基于 RIS 简化基站架构,或将部分 移相功能迁移至 RIS 阵面。 通过动态调控阵元状态 低空覆盖基础网络存在覆盖盲区时,部署 RIS 可以实现低空网络补充覆盖。 一方面,固定区域静态 部署时,通过 RIS 将射频信号直接转发固定区域,对现 有基础网络设备改动较小 [14];用户级动态波束调控 时,通过空地基站控制 RIS,支持用户在空地基站与 RIS 覆盖区域间进行波束级切换,保证连续稳定的网 络服务质量。 另一方面,RIS 可以提升小区边缘用户 丰富的散射环境,终端可以充分利用来自基站和

场景一键启用 设备上断电 信息发布 空调控制 LED 画面切换 灯光控制 音量控制 * 需 要 根 据 客 户 需求 定 制 效果 ： 展厅 3D 模 型 模型视角切 换 设备状态特 效 设备使用监 测 空间使用监 测 设备能耗统 计 空间耗电统 计 本月告警监 测 可视化运维数字孪生 平台 • 环境监测与调控 ：通过环境监测传感器实时监测展厅内的温湿度、 多组视频码流录制 分会场端 / 分公司接入 分会场端 / 分公司接 入 会议录播 01 02 主会场端 / 会议 室 一体机录制 网络录制 • 环境监测与调控 ：通过环境监测传感器实时监测会议室内的温湿度、 空气质量等环境参数 ，与空调进行联动控制 ，确保舒适的会议环境。 • 智能照明控制 ：利用光照传感器 ，根据会议室内的光线强度自动调 节灯光的亮度 效果 ； 能实现对接第三 方系统 ，如监控、 门禁等系统 ； 能实现融合现场的环境控制 ，实现统一管控功能。 中控管理 状态反馈 · 双向通讯 · 丰富接口 · 设备控 制 灯光控制 · 空调控制 · 音频控制 · 视频控 制窗帘控制 · 升降控制 · 电源控制 · 显示 控制接口丰富 · 自定配置 · 模式设定 · 环 境感知摄像跟踪 · 远程操控 · 统一管理 · 提高效率

1. 2024 - 2025 年，完成低空交通管理系统核心模块开发， 实现对试点区域内低空飞行器的实时监控与飞行计划管理 2026 - 2030 年，逐步扩展系统功能，实现全域低空交通 流量智能调控、冲突自动化解。 3.3.2 数据共享平台建设工程 1. 制定《低空经济数据标准规范》，统一数据采集格式、接口协议 与质量要求。整合通用机场运营数据、飞行器飞行数据、气象数 据、空域数据等，构建全国低空经济数据资源池。 人工智能在低空交通管理中的应用工程 1. 开发基于深度学习的低空飞行态势预测模型，利用历史飞行数据、 气象数据、空域数据等，预测未来 2 - 4 小时内低空飞行流量、 潜在冲突点等，提前制定流量调控策略。 2. 部署智能决策算法，实现飞行计划自动优化（如航路规划、起降 时刻调整）、冲突智能解决（如自动生成避让方案）。2024 - 2026 年，在试点区域开展人工智能辅助低空交通管理应用，将

何降？ 关键问题 空间扩展如何管理：将 UTM 系统纳入立体交通框架，实现无人机物流与地面交通的协同，所 形成“地下 - 地面 - 空中”三维运输网络如何管理。 数据互通后如何处理，实现全局调控：地面车流数据（来自智能交通信号系统）飞行器飞行数 据（来自 UTM 系统）公共交通运营数据（如地铁班次等）实现全局交通动态实时可视化。 01 立体交通是指将地面、地下、空中等多种交通方式融合在一起， 通具有高效、安全、环保等特点，是未来城市交通发展的重要 方向。 立体交通的概念与特点 02 发展立体交通需要解决一系列关键问题，如不同交通方式的衔 接、空间资源的合理利用、数据互通与全局调控等。只有解决 了这些问题，才能实现立体交通的健康发展。 立体交通的关键问题 立体交通的发展前景 政策支持的具体措施包括提供财政补贴、优 化税收政策、加强法律法规的制定和执行等。 这些措施可以降低低空经济的运营成本，提

以支持多种形态的低空经济行业应用. 低空网络层需实现三大核心功能: 全域监测与数据采集、网络调控指令执行及飞行器全周期管理. 基于地面网络设施及低空飞行器搭载的多源传感器, 全域监测功能通过异构数据融合汇聚空域实时状 态, 为数字孪生层提供高保真建模的数据基座. 同时, 该层接收数字孪生层下发的网络优化策略, 并驱 动物理网元具体执行调控动作. 此外, 低空网络层需承担飞行器管理职能, 包括接入认证鉴权、自主起 降调度、动态避障协同等任务 同时启动外循环验证, 优化策略下发至物理网络执行后, 若实际效果偏离预期, 则实时状态参数回馈 至数字孪生层触发策略调优. 内外双循环协同驱动, 直至物理网络达成预期目标; 最终, 经仿真验证的 策略将解构为具体网络调控指令, 由低空网络层物理实体执行落地. 2.3 自智管控层 自智管控层作为平台的核心智能决策中枢, 依托人工智能与大模型技术生成动态自适应网络策略, 实现业务精准编排、资源高效利用与故障快速自愈 资源调度模块基于网络资源优化目标生成管控策略, 核心包含 3 个方面. 首先是资源态势感知与 需求预判, 模块通过数字孪生网络实时采集资源状态, 结合 AI 算法实现从被动响应式监控向主动预 测式调控的转型. 然后是动态调优与仿真验证, 在网络运行过程中, 依托数字孪生仿真平台, 评估多套 资源调度策略的效能, 并动态调整参数, 提高资源利用率. 最后面对大规模视频直播流量风暴或灾后通 信大范围中断等突发场景

该技术通过添加不同的反馈正则项调节模型的训练方向，以实现模型的差异化。 通过正则化方法人为改变了模型对不同数据特征的关注程度并限制模型行为，从 而使得不同的模型产生异构。②异构化参数调整技术，通过修改训练参数以调控 每一训练轮次的训练结果。通过调整学习率、损失函数等参数，可以影响每一轮 训练的结果，进而产生差异化的模型。③集成训练技术与对比学习技术。在训练 过程中，并行或串行训练多个模型，并在训练过程中通过让多个模型之间互相学

以下是系统框架的整体结构示意图： 在应用层面，数据不仅仅停留在展示和报告上，更需要与各类 环保应用相结合。如智能城市管理系统、污染控制决策支持系统 等，都可以通过调用监测网络的数据接口，实现精准的环境治理和 动态调控。借助大数据分析和人工智能技术，建立预测模型，针对 不同污染源制定有效的干预措施。 此外，还需重视数据的共享与合作机制，鼓励企事业单位、高 校和研究机构等进行数据共享，共同解决区域性环保问题，提高整

雅可比行列式解保障编解码对称性，Imag eNet 无损压缩比达 5.7×，较 PNG 提升 41%。率失真自适应建模持续深化。AG-VAE[195]采用 连续增益参数化技术，支持任意码率点平滑调控，率失真曲线平滑度提升 40%。Discretized xxx -49- Gaussian Mixture Likelihoods[196]则结合空间-通道双注意力机制优化概率分布建模，在纹理 等大型语言模型重写带有噪声的短文本，显著提高 CLIP 模型在下游任务中的迁移性能。 FILIP[60]模型提出先通过逐标记计算相似度生成损失函数，再采用最大池化操作对矩阵进行 聚合处理，从而实现词块对齐的精准调控。 （2）基于多模态融合的多模态大模型 在多模态大模型的发展过程中，CLIP 等基于对比学习的双编码器架构占据了重要位置。 这类模型通常采用独立的图像编码器与文本编码器，将不同模态的数据分别映射到同一向量 国内与国际团队交替领跑，使无人机 VLN 成为具身智能领域最活跃、方法最丰富的研究前 沿之一。 7.3 无人机具身决策 具身决策作为具身智能体系的核心中枢，是无人机在复杂环境中实现高效任务执行与灵 活策略调控的关键所在。在低空空域多变、通信受限与任务语义复杂的背景下，无人机不仅 需应对路径生成与避障控制等基础问题，还需在多智能体协作与语义指令引导中完成高层次 的任务推理与行为规划。具身决策不同于传统