经济损失 154 亿 元 2022.9.5 四川泸定 6.8 级地 震 无人机精准识别被困群众 无人机及时探查灾区情报 无人机全时监测打击目标 “ 看不准 ” 无人机高速飞行 ， 目标位置密集 且动态变化 ， 降低了感知准确 度 “ 看不全 ” 单机视角有限且存在遮挡 ，无法捕 捉目标在所有角度下的特征 复杂环境下 ，低空智能感知面临“看不清” ，“看不准”和“看不全”的挑战 “ 看不清 (VLN) 多模态动态感知 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 复原融合一体化学习 多模态协同感知面临低空感知场景高动态、模态主导难选择、现实低质量数据退化类型复杂的 挑战难点。 实现复杂环境下无人机多模态动态协同感知 低空多模态动态感知难 模态主导难选择 感知场景高动态 多种退化类型复杂 多模态动态协同感知技术 挑 战 难 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

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 技术、动态网络性能状态的小尺度预测方法、业务需求自适应的资源映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 和低空飞行器已逐步发展为城市管理、应急救援、物流配送和环境监测 等关键应用场景的新型基础设施载体 [1]. 随着低空经济应用场景逐步清晰与持续深化, 低空领域的信 息服务需求呈现爆发式增长态势. 面对动态复杂的空域运行环境与差异化业务场景, 如何构建具备自 引用格式: 喻鹏, 谭灿, 李文璟, 等. 数字孪生驱动的低空智联网自智管控架构及关键技术. 中国科学: 信息科学, 2025, 55: 2449– 产业界共同关注的核心命题. 尽管地面网络覆盖和服务已经趋于完备, 但其在低空场景下的适配性仍面临显著瓶颈. 传统 5G 网络主要面向地面用户设计, 低空空域存在覆盖盲区; 固定拓扑的蜂窝架构难以适配飞行器高速移动 带来的动态连接需求; 复杂业务场景导致难以同时满足低空导航 (时延敏感型) 和三维建模 (计算密集 型) 等差异化需求. 在此背景下, 低空智联网 (low-altitude intelligent networks

、任务范畴拓展等趋势，传统通航 管理及运营模式难以适应其快速发展需求，未经审批的黑飞、违飞行为频发，增加了空中 交通安全风险，阻碍了低空资源的有效利用。因此，亟需依托低空智联网实现全域感知、 动态调度、智能决策和闭环管理，全面提升低空运行的安全性、效率与服务质量。 低空智联网以 5G 增强（Fifth Generation Mobile Communication System – Advanced 全运行的重要基础，通过它可向飞行器提供通信、导航、监视与数据管理方面的必要支持。 通过集成 5G-A、卫星网络、自组织网络等新一代通信技术，实现对飞行器状态的实时感知 低空智联网场景和关键技术白皮书 4 与动态调度，全面满足其在通信、导航与监视等方面的高可靠性需求，从而有效保障飞行 安全，提升运行效率。 低空智能交通场景的关键技术需求如表 1 所示。根据现有的无线通信系统能力，主要 挑战集中在定位精度和覆盖高度。定位精度要求小于 导航定位需求 · 定位精度＜0.1m 感知需求 · 感知精度为米级 · 虚/漏检率≤5% · 能够感知到雷达散射截面积（Radar Cross Section，RCS） ≥0.01m2 的动态目标 · 能够感知速率范围在 5~150km/h 的低空飞行器 低空智联网场景和关键技术白皮书 5 需求类别 需求描述 飞行需求 · 飞行高度 300~600m 其他需求 · 在低空文旅场景中，无人机续航＞20min

“ 看不全” “ 看不清” “ 看不准” 单机视角有限且存在遮挡 ，无法捕 捉目标在所有角度下的的特征 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 无人机高速飞行 ，场景动态变化， 降低了感知准确度 语义稀密 从下往上 ，第三排中靠画面最左侧的红色汽车 这个路口中存在的违章行为与异常现象 低空视野广实例密。 在稀疏文本约 束 下 ，从细粒度视觉中辨析细节 ， modern machine learning practice and the bias-variance trade-off 》 提出双下降 ，修正经典 U 形曲线 ，揭示过参数化区域 新动态 1992 年：维度问题与统计估计 Geman, S., et al. 《 Neural networks and the bias/variance dilemma 》 系统阐述非线性模型的偏差 2020 年 大规模密集数据与 通用检测数据集 03 VTUAV 2020 年至 2023 年 多模态 动态感知数据集 02 DroneVehicle 04 低空环境感知数据呈现出多任务、 多模态和多源协同特性 以 VisDrone 数据集为代表 ，低空环境感知数据面临简单静态到动态复杂的演进。 AG-ReID UAV-123 现实空间推理 基于多源信息构建物理度量， 在真实环境中进行空间推理。

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 应用提供了可靠的技术参考。 随着低空飞行活动在生产作业、城市交通等场景 中日益频繁,低空飞行器数量的快速增长与类型的多 样化对空域安全管理提出了更高要求。 当前,低空监 视系统主要面临 3 个方面的挑战:一是传统监管手段 难以应对复杂动态环境,无人机“黑飞”、碰撞风险频 发;二是多源感知“数据孤岛”现象严重,雷达、光电等 传感器信息缺乏协同;三是恶意干扰技术不断升级,导 致目标识别与追踪失效 [1]。 在此背景下,构建智能融 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 & Collaborative)的维度则包括泛 在连接、协同感知和网联融合

人工智能通过赋予低空飞行器“智慧大脑”，正成为驱动低空经济高质量发展的核心引擎。 它通过多源传感器融合与智能算法，显著提升了飞行器在复杂环境下的感知、决策与控制能 力，例如实现精准目标识别、动态空域调度以及多机协同作业，从而将低空系统从传统的“消 费电子产品”升级为高效的“智能工业装备”。广泛应用于物流配送、农林植保、电力巡检、 应急救援等多个场景，确保了低空资源在安全可控的前提下（“管得住、放得开”）得到高效 ........... 381 7.3 无人机具身决策 .......................................................... 386 7.3.1 动态路径规划与避障............................................................................................ 城市管理和应急救援等领域的应用日益广泛。低空飞行区域普遍界定为海拔 1000m 以下的 空域，鉴于不同地区的特性及需求，此界定上限可增至 3000m[1]。此类空域受到地形地貌、 建筑物遮挡以及局地气象变化等多重动态因素的制约，并需满足无人机等新型航空器的高密 度运营需求，从而呈现出空域资源竞争与异质障碍共存的双重复杂局面。近年来，党和国家 高度重视低空经济的蓬勃发展[2]，在宏观政策制定方面，2023-2025

通感一体化基站，构建覆盖全国的低空感知"天网"。通过卫 星雷达、气象监测卫星实时采集气象数据、地形地貌信息，结合 AI 算法 动态生成精细化空域使用方案，实现灾害区域禁飞区、救援通道的智能划 设与动态调整。 数字孪生与灾情推演部署低空数字孪生系统，基于历史灾害数据与实 时监测信息，对地震、洪涝等灾害场景进行三维动态模拟。通过机器学习 训练，系统可提前 72 小时预测灾害发展趋势，灾情推演准确率达 85%以 上，为应急响应方案制定提供科学依据。 、交通等多部门数据接 口。通过统一的可视化操作平台，实现救援资源状态实时监控、飞行计划 3 智能审批、空情动态预警等功能，消除信息孤岛，提升协同效率。 指挥网：智能决策与安全保障网络 AI 中枢与敏捷响应搭载智能决策 AI 中枢平台，集成灾害预警模型、 多资源调度算法、动态路径规划系统。当灾害发生时，系统可在 10 秒内 自动生成多套救援方案，通过算力优选匹配最优路径，指令响应时延低于 人机协同装备体系 AI 算法根据灾情等级与环境条件，动态匹配有人 直升机（用于复杂环境救援）、无人机（物资投送）、地面救援机器人 （废墟搜救）的组合方案。例如，在地震灾区，先通过无人机蜂群投掷应 急物资，再利用地面机器人搭载生命探测仪进行精准搜救，减少救援人员 伤亡风险。 4 动态路径优化技术基于强化学习算法，实时规避灾区电磁干扰、恶劣 天气等动态风险，优化飞行路径。测试数据显示，相较传统人工规划，救

通过融合 5G、卫星通信、高精度导航及智能感知等关键技术，逐步构建起覆盖通信、定位、 环境监测与空域调度的综合体系，支撑农业监测、应急救援、城市物流等多样化场景。然而， 当前仍面临通信信号覆盖盲区、动态频谱管理不足、数据隐私保护等挑战。未来，技术将朝 智能化、集成化与全球化方向演进，依托人工智能、边缘计算及空天地一体化网络，推动低 空经济与智慧城市深度融合，并通过国际合作与标准统一，构建安全、开放、可持续的低空 3、监测技术：将探讨空域监测技术的应用，包括雷达系统、视觉感知、自动相关监视 广播(Automatic Dependent Surveillance–Broadcast, ADS-B)等技术，帮助空域管理者实时了解 低空飞行器的动态位置、飞行状态以及空域使用情况。还将分析这些监测技术如何实现自动 避障、空中冲突预警和实时空域调度。 4、气象技术：低空空域的气象环境变化较大，白皮书将覆盖为无人机和低空飞行器提 供实时气象 2）导航技术：包括 GNSS、INS、GBAS、VN 等，用于提供精确的飞行定位和航向控制。 3）监视技术：包括雷达监控、自动相关监视广播系统、视觉识别、红外成像等，用于 实时监控飞行器位置、空域情况和飞行动态。 4）气象技术：包括气象站、气象卫星、无人机传感器等，用于提供实时天气数据和气 数字低空工作组 5 象预警。 2.2 发展历程与现状 低空通信、导航、监视及气象技

系统总体架构 01 三大核心模块构成 气象数据采集模块 通过部署在低空（ 1000 米以下）的 5 个采集点，实时监测温度、湿度、气压、风速、风 向等气象参数，采用高精度传感器确保数据准确性，并支持动态调整采样频率以适应不同 天气条件。 数据处理与分析模块 服务应用模块 集成边缘计算与云计算能力，对采集的原始数据进行清洗、校准和融合处理，结合机器学 习算法预测短时气象变化趋势，生成可视化报告供决策参考。 级气象数据的管理需 求。 1 2 3 低空微气象预报中心 03 多源数据采集 采用 AI 驱动的异常值检测算法剔除噪声数据， 结合时空插值技术填补缺失值，并通过卡尔曼 滤波实现多源异构数据的动态加权融合。 数据清洗与融合 特征工程优化 基于低空湍流、风切变等特殊场景构建三维气 象特征矩阵，利用小波变换提取高频气象波动 信号，为模型训练提供高价值输入。 整合气象卫星、地面观测站、雷达、无人机及 深度神经网络架构 将数值天气预报（ NWP ）输出作为先验知识嵌入模型，通过 PINN （物理信息神经网络）实 现数据驱动与大气动力学方程的双向约束。 物理机制耦合 部署在线学习模块实时吸收最新观测数据，动态调整模型参数，针对台风、雷暴等极端天气自 动触发专项训练模式。 自适应学习系统 预报产品库建设 标准化数据立方体 构建包含温度场、风场、湿度场等 18 类要素的时空数据库，支持 API

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。 形成较高的波束赋形增益。 RIS 具有低功耗、体 积小、重量轻、低成本、易部署且易于实现较大的天线 口径增益等特点。 它不仅能够覆盖指定目标区域,而 且可以结合波束扫描和波束切换等策略实现移动用户 动态波束跟踪,有效重构无线电磁环境,提升网络深度 覆盖能力。 Q 0 � 0 � 0 Q�/m 10 000 3 000 1 000 600 "8�� �/C��E�/( n0 (1) 其中,s 为基站发送信号,w 为信道衰减因子, n0 是方 差为 σ 2 的加性高斯噪声。 H 为基站与 RIS 之间的信 道矩阵,g 为 RIS 与终端之间的信道矩阵,RIS 动态调 控能力将影响这两条路径的信道矩阵。 在无线通信系统中,当基站与用户终端之间的直 图 2 UAS 逻辑架构示意图 �� �� � ��