2449–2470 c ⃝ 2025 《中国科学》杂志社 www.scichina.com infocn.scichina.com 面向低空经济的低空网络技术创新与应用专题 . 论文 数字孪生驱动的低空智联网自智管控架构及 关键技术 喻鹏1, 谭灿1, 李文璟1*, 张俪馨1, 郭少勇1, 邱雪松1, 洪韬2, 付澍3, 王尚广1, 孟洛明1 1. 北京邮电大学网络与交换技术全国重点实验室, 北京 100876 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 能, 并针对各个层次的关键技术, 包括低空组网覆盖和资源分配技术、网络资源孪生建模与状态同步 射机制和管控智能体部署方案 等, 进行了介绍. 结合关键技术, 本文进行了低空智联网自智管控实例设计, 验证了网络性能预测机 制、资源状态孪生同步机制以及低空网络自主部署机制的有效性. 最后总结低空智联网的未来技术挑 战, 为未来低空智联网的智能化、自主化运维提供了技术参考. 关键词 低空智联网, 数字孪生, 自智网络, 网络管控 1 引言 近年来, 随着低空飞行相关技术装备的迭代升级与系统化突破

5%，慢性病风险下降4-7%。人工智能云平台 作为数据价值转化核心，通过“设备-平台-医疗” 一体化生态，显著提升服务响应效率。 在产品服务创新方面，养老机器人正向技术融合 与产品分化方向发展，互联网医疗则通过平台适 老化改造、数据互联互通、AI深度融合和服务生 态构建四大路径，打造以老年人为中心的智能健 康生态系统。 综上所述，中国智慧养老产业正通过技术创新、 生态协同和服务升级，构建覆盖全生命周期的健 全周期健康管理生态 智慧养老产品正经历从单一功能向系统解决方 案的升级。可穿戴设备通过技术融合形成覆盖 “预防-诊断-康复”的全周期健康管理闭环；养老 机器人向技术融合与产品分化方向发展；互联 网医疗则通过适老化改造、数据互联、AI融合等 路径，构建“设备-平台-服务”一体化生态。这些 创新正推动养老服务从基础照护向个性化、普 惠化的健康管理解决方案演进，为应对老龄化 挑战提供技术支撑。 中国智慧养老产业 中国正持续加速步入深度老龄化社会，人口结构转型带来深刻而长期的挑战 中国人口老龄化进程持续加速，65岁及以上人口规模及占比持续攀升，老年抚养比同步增长，预计至2050年将进 入深度老龄化社会，老龄化程度达30%。与主要国家相比，中国自进入老龄化社会至迈入中度老龄化仅用时约20 年，远短于多数发达国家，人口结构转型速度显著。当前中国老龄化水平已超过全球均值，在人口规模与经济体 量双重背景下，其面临的老龄化挑战尤为严峻。 中国智慧养老产业

性物流需求、园区物流总量以及园区用地规模。在规划 目标 — 18 — 预测和分析过程中， 采用定性分析与定量预测相结合的方法， 以历史数据为依据， 根据国民经济发展与货物运输量之间的 关系， 利用 自回归滑动平均模型 、线性指数平滑法、需求系 数法等方法进行综合预测与分析。在定量预测的基础上， 结 合省市的相关规划进行定性分析， 同时听取相关专家的意见， 综合考虑得出东台市生产性物流园区的物流量预测数值。预 并用平均增长率对照东台 市与盐城市既有的中长期发展规划所确定的 GDP 发展水平 进行校验。本规划综合自回归滑动平均模型和线性指数平滑 模型的加权平均值， 确定东台市 2025 年、 2030 年和 2035 年 GDP 目标。 表 3- 1 东台市 GDP 特征年预测值 自回归滑动平均模型 2025 年 2030 年 2035 年 1283.85 1766.58 2430.83 52% 第四节 用地需求预测 一、 预测方法 本文采用货运量换算物流量来确定物流节点规模的方 法，其计算公式如下： 其中： —— 为所求物流节点的功能区的面积， 平方米； —— 为适站系数，表示进入城市物流节点的物流量占 城市总物流量的比例， 该系数反映该地区的社会物流业集聚 度水平； — 28 — ——该功能区处理货物的城市物流需求总量， 表示城 市物流作业的总量，

绿色工厂一政巢背景 2024年1月30日,工信部发布了《保色工厂保废培育及管理暂行办法》,明确要形成国家、省、市三级联动的操色 工厂缩育机制,以全面黄的质对,以绿色工厂诸育为择础,推动行业,区通绛色概确转型开级。自前河北省市爷均己 启动市级绿色工厂的认宜工作。 2025年10月,工法部印发《关于开用2025年窗绿色工厂材工作的通知》,开解国家级绿色工厂新认定及现有绿 色工厂白评价工作。 鲁中学人因共和理工业和信息化距 企业数量(摆不完全统计) 全世画生语 单减科技服务 绿色工厂—申报基本系件 新申报国家绿色工厂: 重点支持53个重点行业的企业, 属于重点行业的企业登录管理平台按照 相应行业要求进行自评价, 不属于重点行业的企业登录管理平台依据通则进行自评价。 工厂按照GB/T19001、GB/T23331、GB/T24001、GB/T45001或相关行业适用的其他标准 建立、实施、保持并持续改进质量、环境、能源和职业健康安全管理体系 现有的国家级绿色工厂对照新指标自评价,并提供佐证材料,得分连续三年 处于后5%的,将从现有名单中移出,实现有进有出。 53个重点行业名单(非重点行业)。 优化评价指标。将原来以定性为主的92项评价指标,,简化为以定量为主的14 项。 突出节能降碳导向。增加节能降碳评价指标的权重,将节能降碳潜力大的高 载能行业作为重点培育的行业。 不需要第三方评价。企业只需要在线如实自主填报申报表完成自评价,并按 要求提供有关佐证材料

微应用（智慧班牌） 微应用 N 平台 confidential material from Tencent Cloud 通 用 核 心 业 务 智 慧 校 园 特 色 适 配 校 园 文 化 特 质 适 配 流 程 自 定 义 与 适 配 人事档案、 评价、 考勤 学籍、 档案、 考勤、 荣誉、 评价、 实践、 体质、 请假、 教师 高效方便 学 校 与 家 长 互 动 更 方 便 ， 如 教 师 发 布 作 业 , 家 长 督 促 学 习 与 打 卡 反 馈 l 学生异常提醒 ， 消除担忧 学 生 考 勤 异 常 自 动 推 送 学 生 课 表 / 过 评 / 成 绩 一 键 查 询 产品价值—家长 confidential material from Tencent Cloud 基础支撑平台 confidential

.德理与定义L1&L2&L3 级流程框架（现状} Step2.■与定义L1&L2&L3 级流程框架（蓝圉） Step3„ 依据L3流程清单 * 定义基于L3级流程的业务流程 ，明确流程的 适周场星 L1&L2&L3级(观状} 1 1&1 2&1 3级（蓝图 ） L3级业夯流程 L1级 L1级 输入 一 ——H ■ ■ _ 输出 L3 ■班1 L3:網2 L3:辨3 L3流程⋯ H 端到端流程。 项目定义与确立 产品开发 试生产 项目批产 产品设计 客户询价 OTS样件试制 ^ 枇产准备会议 t 枇生产初期特别皆理 产品过程审核 ^ 造型方塞设计一►造型方塞;东适] 類开发 I装开发 检貝开发 生产线优化 夕_ 导部件幵发 -► FMEA分析- 强检及3C认证 资湄插认/ 风险评估 樓呉设计 工装设计 检呉设计 外购件设计 OTS样 件 认 PPAPiA可 项目抿价过程昔理 祖雖 产 试生产 + 願客PPAP枇准 -J 项吕般价 项目d堪成立 r m 阶段性总结 阶段性总铝 ^ 关键件供应商确定 阶跳雜 产品设计/评审/验证碡 ■;东适 21 项目定义与确立 品设计 客户询价 t 荖求管理— 麵确細险评估 t 项e振价过程管理 + 朝瑕价 t 项目小组成立 2需求到设计 ► 造型方案设计 _► 造型方案冻结- . A

测 速 此 方 案 的 捕 获 率 更 有 保 证 ， 适 合 在 具 备 切 线 圈 场 合 应 用 。 雷达检测 雷达 不需要破坏路面、 抓 拍 率 高 、 造 价 高 ， 可 以 准 确 测 速 推 荐 应 用 在 高 速 路 上 ， 低 速 路 及 附 近 有 金 属 遮 挡 物 的 场 合 不 适 用 。 纯 视 频 检 测 软件分析 不需要破坏路面、 识 识 别 速 度 快 、 造 价 高 ， 测 速 准 确 ， 抓 拍 率 易 受 环 境 影 响 应 用 于 线 圈 易 损 坏 的 地 区 ， 或 应 用 于 现 场 环 境 不 适 合 切 割 线 圈 的 地 点 ， 如 桥面等 道路信息采集系统——各种采集方式对比 道路信息采集系统——电子警察 高清闯红灯电子警察系统利用先进的光电、计算机、图像处理、模式 识 高清电子警察系统由外场子系统和指挥中心两部分组成，涵盖以下功能： 1. 闯红灯抓拍 2. 实线变道 3. 压双黄线 4. 车牌自动识别 交通电子警察系统解决方案 图片防算改 视频录像 车 牌 识 别 自标车 算常军 行劳轨 流量统 信号联 交通 辆跟踪 辆分析 迹分析 计分析 通控制

细分指标 5G-A 通感 雷达 无线电探测 光电探测 RID[13] ADS-B 技术介绍 中 距 离 覆 盖, 适 用于低慢小目标 监测 长距离覆盖,适用 于空域、水面等多 种 场 景, 高 远 大 目标 被动接收无人机 的无线电控制及 图传信号 实现非接触式精 准 测 量, 适 用 于 目 标 确 认、 类 型 识别、跟踪取证 无人 机 射 频 识 别与监管技术, 适用于微型、轻 型、小型民用无 征的并行处理 [14];此后,在高层网络通过拼接、加权平 均或注意力机制等方法进行特征融合,最终接入分类 器完成目标识别。 其二,基于 Transformer 的融合。 该 方案利用其核心的自注意力机制,动态捕捉不同模态 特征间的关联性,使各模态在融合过程中能聚焦于彼 此最相关的信息片段,尤其适用于异构性强、关联复杂 的多源数据融合场景。 其三,图神经网络。 该方案将 低空监视场景中的目标(如无人机、障碍物等)抽象为 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,能够精准识别关键行为模式,其性能 通常优于传统循环网络;同时,一维 CNN 通过局部卷 积操作,能够高效提取轨迹片段中的局部时空特征(如