全域感知，智驭低空 低空智能 : 从感知推理迈向群体具 身 一、 低空研究背 景 二、 低空数据平 台 三、 低空感知大 脑 CONTEN TS 一、 低空研究背 景 二、 低空数据平 台 三、 低空感知大 脑 CONTEN TS 加入星球获取更多更全的数智化解决方案 2025 年 10 月 ， 党的二十届四中全会颁布《中共中央 关于制定国民经济和社会发展第十五个五年规划的建议》 ， 需 要 精细逻辑进行推理。 复杂环境下 ，低空推理决策面临语义稀密、空间难解与任务繁复的挑 战 感知 目标检测、 目标计数、 场景分类、 异常识别 理解 图像描述、 条件判断、 视觉定位、 高度预测 推理 物理推理、 因果推理、 情景推断、 反事实推理 决策 多机协同、 任务规划、 动作执行、 安全性评估 任务高度多样化 ，在输出结构、 知 识 深度与推理路径上差异巨大 ， 需要 需要 跨层次泛化推理能力。 低空强投影与三维信息缺失 ， 需 要 理解姿态与视角差异 ，从二维观测 中构建空间推理能力。 这里是什么场景？ 变电设施间距多少？ 存在安全隐患吗？ 斜拍视角进行位置判断与空间度量 任务间推理路径差异化 俯拍视角进行目标感知与属性理解 四维度多种任务形式 空间难解 任务繁复 复杂环境下 ，低空具身智能面临“不可靠” ，“不精准”和“不可控”的挑战

DroneVehicle DroneRGBT 建立低空无人机视觉计算领域和多个平台兼容的模型库并实现大小模型协同进化 多维评估体系 场景识别能力 定位检测能力 条件判断能力 推理思考能力 n 建立超过 10 亿图像 / 视频帧数据库 ， 开发低空多模态视觉推理大模 型 指令划分 场景数据 2000 万 + 图像 / 视频帧 VisDrone 平台数 据 100+ 种特定场景的评估基准 数据清洗 → 粒度划分 ，通过稀疏标签引导非对称掩码重建 ，实现精准无人机视频计数 (ICLR 2025) DroneBird 无人机视频计数数据集 基于非对称高效掩码自编码器的无人机视频计数（ E-MAC ） 基于两阶段损失权重分配的推理高效微调（ DMPO ） 偏置模块 解耦优化 初始阶段 : αearly < 随着模型深度逐渐降维 基于早退策略在视觉基础模型前端引入高判别高阶预测器 ， 设计两阶段损失权重 分配策略提升早期预测器准确性 ， 30% 内存消耗的准确率接近全推理性能 创新：基于高阶预测器器解耦优化的视觉基础模型推理高效微调 (ICCV 2025) 先学习低级特征的生成 随后提升判别能力 loss↓ ➫ 判别能力 ↑ loss↑ ➫ 判别能力 ↓ xi =

成部分，负责无人机的控制、数据传输、图像处理及任务管理。地 面站设备的选择需综合考虑计算性能、通信能力、扩展性及环境适 应性等因素。 首先，地面站主控计算机应具备强大的计算能力，以支持实时 图像处理、AI 模型推理及多任务并行处理。建议选用高性能工作站 或服务器，配置至少 Intel Xeon 或 AMD EPYC 系列处理器，主频 不低于 2.5GHz，核心数不少于 8 核。内存容量建议不低于 32GB， SSD 作为系统盘，容量不低于 1TB，同时配备大容量 HDD 或 NAS 用于数据存储，容量建议在 10TB 以上。 其次，地面站需配备高性能图形处理单元（GPU），以加速 AI 模型的训练和推理。建议选用 NVIDIA RTX 3090 或 A100 等高端 GPU，显存容量不低于 24GB，以支持大规模深度学习模型的运 行。对于多机协同任务，可考虑配置多 GPU 并行计算架构，进一 Pix4Dmapper 或 Agisoft Metashape，支持 无人机图像的三维重建和 AI 识别。 - AI 算法框架：如 TensorFlow 或 PyTorch，支持自定义 AI 模型的训练和推理。 为确保控制台的长期稳定运行，还需配备以下辅助设备： - 不 间断电源（UPS）：功率不低于 1500VA，支持在线式供电，确保 在断电情况下能够持续运行至少 30 分钟。 - 散热系统：高效风冷

定了基础。在此基础上， FSRCNN（fast super-resolution CNN） [28]通过端到端的全卷积结构和特征收缩 - 扩张机制， 显著减少计算冗余，在保持重建质量的同时提升了推理速度。为进一步降低计算复杂度，E SPCN（efficient sub-pixel CNN）[29]创新性地提出亚像素卷积层，通过在 LR 空间提取特征 xxx -17- 并在末端进行像素重组，避免了传统方法在 Aerial Vehicle Benchmark: Object Detection and Tracking）]上，PSN R 指标较 SwinIR 提升 0.21dB，参数量减少 30.7%，推理速度加快 1.9 倍，显著提升后续语 义分割任务精度（如农田分类 mIoU +5.9%）39。其创新性在于平衡了 Transformer 的长程 建模优势与嵌入式平台的计算约束，为无人机实时超分辨率提供了高效解决方案。 为进一步压缩模型，RFDN（residual feature distillation network）[44]通过残差特征蒸馏 模块迁移教师网络知识，在 Jetson TX2 平台实现低延迟推理。另一方面，无人机图像常受 大气扰动与运动模糊影响，频域分析成为重要解决思路。视觉基座模型 RingMo-Aerial[45]引 入频域特征增强模块，结合仿射变换对比学习与 SimMIM 掩码建模，其提取的判别性特征

network, MPNN) [44] 来建模链接与路径之间的内在关联, 并最终根据更新的 路径特征预测端到端关键性能指标. PLNet [45] 作为 RouteNet 的变体, 使用多层感知器来提高推理速 度. xNet [46] 进一步对网络流和队列特征进行建模, 以预测数据中心网络的性能指标. 但这些深度学习 模型高度依赖全网流量的实时获取, 难以适应时空资源受限、高度动态的低空网络; 且由于数据差异、 network, GNN) 已经成为一种对复杂系统属性进行建模的有效工具. 随后, 一 些研究 [43,45,46] 尝试利用 GNN 进行网络建模和优化. 然而, 注意到这些研究可能无法在表达能力和 推理速度之间取得良好的平衡. 基于网络相互作用图, 可以借助 GNN 充分表达网络组件中的特殊交 互. 然后使用动态图注意网络 (dynamic graph attention network, DGAT) RouteNet 中基 于 RNN 的路径更新过程) 相比, DGAT 采用高度并行的计算结构来更新网络图中所有组件的隐藏特 征. 因此, 我们的模型对网络规模变化的敏感性较低. 无论网络拓扑如何扩展, 模型的推理时间仍然可 以保持在较低水平并且不会线性增加. 低空网络层采集的网络数据在数字孪生层经过格式化后, 可以作为 DGAT 算法的输入. 首先, 以 网络图的形式提取各种网络组件的特征. 算法选择链路容量和优先级作为链路节点的初始化特征

数据增强与模型优化：为提高图像识别精度，需采用数据增强 技术（如旋转、缩放、翻转、添加噪声等）对训练数据进行扩 充，并结合迁移学习、模型剪枝、量化等技术对深度学习模型 进行优化，以提升模型的泛化能力和推理速度。 6. 精度验证与测试：系统上线前需进行严格的精度验证与测试， 包括： o 使用标准数据集（如 COCO、Pascal VOC）进行基准测 试。 o 在实际场景中采集数据进行实地测试，确保系统在不同 识别系统通常采用边缘计算架构，将部分计算任务下放 到无人机本地处理，以减少数据传输延迟。边缘计算设备需要具备 高性能的处理器和专用的 AI 加速芯片（如 GPU 或 TPU），以支持 复杂的深度学习模型推理。例如，NVIDIA Jetson 系列嵌入式 AI 计 算平台能够提供高达 21 TOPS 的算力，足以满足实时图像处理的 需求。 其次，实时处理能力还依赖于高效的算法优化。为了在有限的 计算资源下实现实时处理，AI 计算资源下实现实时处理，AI 模型需要进行轻量化设计。常用的方 法包括模型剪枝、量化、知识蒸馏等。例如，通过将浮点模型量化 为 8 位整数模型，可以在几乎不损失精度的情况下大幅减少计算量 和内存占用。此外，模型推理过程中的并行计算和多线程优化也是 提升实时处理能力的重要手段。 在数据传输方面，实时处理能力还需要考虑通信链路的稳定性 与带宽。无人机与地面控制中心之间的数据传输通常采用 4G/5G 或专用

提供火情火势判别支撑，便于快速灵活定位，自动生成报告，建立信 息化沟通指挥新模式。 （一）功能简介 （二）检测模式 系统三大任务与七大模块 检测任务 视频流解码 模块 烟雾火源检 测模块 红外辅助识 别模块 推理任务 火点目标追 踪模块 GIS 地理信 息融合模块 数字孪生模 块 数据治理任 务 半自动化数 据标注模块 （三）系统配置

基站不仅负责与低空飞行器、高空基站进行高速可靠的空地通信，还在基站侧深度集成多 接入边缘计算（Multi-access Edge Computing, MEC）能力，并与算力网络深度协作，对 上报的链路与任务数据进行就地推理、编排与协同调度，并通过云-边-端多级算力的按需编 排，为飞行控制、任务卸载、航迹预测、风险告警等提供快速响应。 目前，通算融合技术仍面临以下挑战：一是单机算力不足，无法满足部分场景中感知、

据可视化建模；产品体积小，能灵活的运用 到各种试验场景中。 2.检测诊断装置是一系列用于诊断、测试和 校准飞机系统、组件和航空电子设备状态和 性能的工具，可根据异常的状态数据所对应 的程序环节，推理、诊断出异常部位。可以 帮助飞行员或地勤人员了解飞机的健康状 况，及时发现并处理问题，确保飞行安全。 3.仿真模拟装置是一种结合实物硬件和仿真 软件的实时仿真技术，采用数字化建模技术 和数字孪生技术，主要用于地面仿真试验、

xxx 项目建设方案 31 自然资源 xxx 项目建设方案 （二）平台运维需求 需要实现系统全时监控，部署运维平台实时监测 服务器负载（CPU / 内存使用率≤80%）、数据处理时延 （AI 推理≤100ms / 张），异常状态自动报警（短信 + 邮 件），故障恢复时间≤1 小时，解决 “平台运行不稳定” 问题。 需要建立数据治理机制，定期清洗冗余数据（存 储利用率≤70%）、校验数据一致性（通过率≥99%），制