21dB，适配了嵌入式设备的应用场景。 尽管 CNN 方法在客观指标上表现优异，重建结果常缺乏视觉逼真度。为此，SRGAN （super-resolution GAN）[33] 首次引入生成对抗训练，联合优化感知损失和对抗损失，在保 留结构一致性的同时生成具有丰富纹理细节的图像。ESRGAN（enhanced SRGAN）[34] 进 一步提出残差密集块增强特征流通，并采用相对判别器强化对抗训练，显著提升了重建图像 成数据与真实图像的域差异，RealSR [35]利用变焦镜头采集真实 LR-HR 配对数据，并设计 拉普拉斯金字塔核预测网络学习空间变化的退化核；无监督方法 KernelGAN [36]则利用图像 内部补块分布一致性，通过内部生成对抗网络（generative adversarial network, GAN）学习 退化核估计，无需配对数据；BSRGAN[37] 提出更全面的退化模型，通过随机组合模糊、噪 声和下采样核构 的三段式架构——浅层特征提取、 深层特征提取和高质量重建模块，但针对嵌入式设备的资源约束进行了深度轻量化改造，其 结构如图 1.3 所示1。 在浅层特征提取阶段，输入的 LR 图像首先通过一层 3×3 卷积生成初始特征图，该操作 保留局部细节并作为后续处理的基矗深层特征提取模块由多个级联的 LSTB（linear swin tr 1  LSwinSR: UAV Imagery Super-Resolution

管控层的管控智能体, 作为其算法输入参数. 自智管控层搭载了多模态 AI 算法库, 支持实现网络性能 预测、飞行器路径规划、路由动态切换、服务弹性迁移等网络管理任务. 自智管控层将孪生模型作为 输入, 生成未经仿真验证的网络管理策略 (pre-simulation policy), 随后将该策略回传至数字孪生层进 行模拟仿真. 数字孪生层依托孪生模型的历史版本数据, 对网络性能状态展开小尺度预测, 有效提升 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. 业务编排模块从业务需求出发制定策略, 其运作机制分为三阶段. 业务开通前, 该模块基于业务 预期和实时网络状态, 通过 NFV/SDN 实现跨区域、跨层级业务编排. 业务策略经制定后, 下沉至数字孪生层进行仿真验证, 通过虚拟环境模拟策略执行效果, 迭代优化直至满足业务需求指标. 验证通过后生成可执行指令集, 下 发至低空网络层物理设备执行. 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

类疑似违法目标，识别准确率超过 95%，大幅降低人工判图成本；配合三维建模软件可在 2 小 自然资源 xxx 项目建设方案 9 自然资源 xxx 项目建设方案 时内完成 5 平方公里区域的实景三维建模，生成厘米级精度 的数字孪生模型，直观呈现地形起伏、建筑结构等信息，为 违建体积测算、生态修复方案设计提供精准数据支撑。 3.系统生态完善 “无人机+数据平台+指挥中心” 的一体化解决方案 已形成成 目标检测算法在自然资源场景中的识别准确率 超过 95%，可自动分类耕地硬化、违建大棚、林木砍伐等 10 + 类监管目标，大幅降低人工判图成本；三维建模技术 可在 2 小时内完成 5 平方公里区域的实景三维重建，生成厘 米级精度数字孪生模型，为违建体积测算、生态修复方案设 计提供直观数据支撑。 数据平台实现 “采集 - 处理 - 分析 - 应用” 全流程数 字化，支持飞行任务智能规划（自动规避禁飞区、优化航 — 立案 — 整改” 的24 小时 闭环处置流程，将违法用地从 “发现到拆除” 的平均周期从 15 天缩短至 5 天以内，重大违法事件处置效率提升 3 倍以 上。 证据链标准化：通过无人机倾斜摄影生成厘米级 精度三维模型，自动测算违建占地面积、体积、高度等参数 关联规划许可、土地权属等业务数据，形成 “空间位置 + 时 间序列 + 合规性分析” 的全维度电子证据包，为执法办案提 供可追溯、可量化的科学依据，彻底解决

1 用户界面设计...........................................................................116 9.1.2 图表与报表生成.......................................................................118 9.2 应用场景............... 等，以保证数据传输的即时性和稳定性。 数据处理平台通过对采集到的数据进行分析、存储与可视化， 提供环境状态的预警与评估机制。该平台可以利用大数据分析与人 工智能算法，自动识别环境异常变化，并生成相应的报告，供政府 部门和公众查询。 针对用户需求，终端系统可以提供多种交互窗口，包括 Web 应用程序、移动应用和第三方信息接口。通过这些接口，用户能够 方便地查询相关数据，获取环境监测报告，实现数据的共享与实时 数据分析和数据展示。为了实现这些功能，我们可以使用分布式计 算框架和云计算平台，以支持大规模数据的处理需求。这一层还将 包含多种算法模块，用于对不同类型的数据进行深度学习或机器学 习分析，提取有用信息，并生成可视化报告。 在数据接收方面，系统需与传感器网络紧密结合，实时获取监 测数据。例如，采用 MQTT 协议来保障数据传输的实时性与可靠 性。数据清洗过程将确保去除冗余和错误数据，常见的数据清洗步

，低空具身智能面临“不可靠” ，“不精准”和“不可控”的挑战 “ 目标理解不可靠” “ 动作生成不精准” “ 体系安全不可控” 行动路径撞上障碍物 动作生成误差导致机械臂需要执行 冗余动作才能完成任务 语言指令与场景理解不稳定 ，任务 目标识别易偏差 端到端决策难以解释 ，对突发场景 响应不足 ，系统级可靠性难以保 障 动作生成误差导致无人机机械臂操作效率低下 无人机并未导航至目标点就提前停止 复杂环境下 性 能 进 化 协同进化 边端协同 边端小模型 感知大模型 版本迭代 云端赋能 迭代进 化 类 增 量 场景解 析 关键目标理解 特征融合压缩 轨迹规划与优化 最优轨迹生成 动态跟踪控制 代价加权 板载指令执行 多项式轨迹 低空智能从环境感知、推理决策到控制执行各阶段割裂 ，亟需端到端学习范 式 往前向一点钟方向走。经过马路 以及灰白色的建筑后 ， 目的地 多模态 大模型 动作解码器 场景理解语义 飞行控制执行 ● Δx, Δy 具身推理 对话历史 任务能力提升 动作指令输出 虚拟场景预测 少量真实数据、 任务反 馈 动作指令生成： Action = F (wt (E(x), o(gps, imu))) 策略函数 感知编码 世界模型进化： wt+ 1 = U(wt, Dreal, Dvirtual, Feedbacktask)

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 功能模块均可独立升级和维护。系统将集成多种传感器，如红外摄 像头、多光谱 图像识别技术能够快速识别受灾区域的地 形变化、建筑物损毁情况以及人员分布。通过结合多光谱图像和热 成像技术，AI 系统可以在灾后第一时间生成详细的灾情报告，为救 援行动提供关键信息。例如，在某次地震灾害中，无人机搭载的 AI 系统在 24 小时内完成了对受灾区域的全面扫描，并生成了高精度 的损毁评估图，显著提升了救援效率。 此外，AI 图像识别技术还在环境监测、交通管理、能源设施巡 检等领域展现了巨大的潜力。例如，在环境监测中，AI 检测算法 （如 YOLO、SSD 或 Faster R-CNN）对图像中的目标进行定 位和分类。检测结果将包括目标的类别、位置和置信度等信 息。目标检测与分类的具体流程如下： o 区域建议：生成可能包含目标的候选区域。 o 特征提取：对候选区域进行特征提取。 o 分类与回归：对候选区域进行分类和边界框回归，确定 目标的类别和位置。 4. 实时处理与反馈：系统将具备实时处理能力，能够在无人机飞

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。 提供 API 接口和用户交互界面，支持农业、航空、城市管理等行业定制化需求，如无人机 航线规划、灾害预警推送等，实现低空气象数据的商业化应用。 1 2 3 采集点通过 预测、 eVTOL 起降气象包线等 12 类 专项产品，每类产品均包含原始数据、 可视化图表及决策建议三重维度。 动态验证体系 建立基于 Bootstrap 的预报误差概率分 布模型，实时生成预报技能评分 （ SS ）和不确定性量化报告，确保产 品可追溯可迭代。 低空微气象服务平台 04 基于 GIS 技术构建 0-300 米低空立体气象模型，实时渲染风速、湍流、能见度等 12 参数，支持无人机运营商通过 Web 端或移动端查看每 10 秒更新的气象热力图与风险 区域标记。 实时可视化系统 三维动态气象图谱 集成北斗卫星、毫米波雷达、地面气象站等 8 类数据源，通过 AI 算法生成分钟级更新 的综合气象仪表盘，可自定义显示飞行航线上的垂直风切变指数、积雨云移动轨迹等关 键指标。 多源数据融合驾驶舱 提供过去 72 小时的气象演变时间轴功能，支持用户拖拽查看任意时间节点的气象参数

无人机可快速出劢，获叏灾区高分辨率航空 影像数据。  无人机获取震后影像图 震后影像图  震后三维模型 利用无人机获叏的灾区高分辨率影像数据，通过三维建模软件快速生成三维模型，为指 挥部巟作部署提供大量及时而直观的灾情数据。 震后三维模型 天津腾云智航科技有限公司（中海达旗下子公司） 无人机优化的空三呾区域网平差 √ 正射镶嵌（GeoTIFF） √ 点于加密 √ Google Map瓦片 √ 地面控制点编辑 √ DEM（GeoTIFF，TXT） √ 自劢生成精度报告 √ 点于（PLY，TXT） √ 快速处理模式 √ 三维模型（OBJ） √ 镶嵌编辑巟具 √ 空三、区域网平差呾相机参数 √ 倾斜摄影三维自劢建模软件 DP-Smart DP-Smart 是一套基亍空地多源序列影像，无需人巟干预，软件基亍摄影测量、计算机 规觉不计算几何算法，支持全自劢空三计算、密集点于生成、构建 TIN 网、自劢纹理映射 等步骤，实现高分辨率真三维模型的快速生成。  倾斜摄影建模测图软件 DP-Modeler DP-Modeler 是一款集定向、测图、建模等功能亍一体的新型软件，是国内首款倾斜 摄影建

全域监测与空域管理依托北斗三号卫星导航系统的高精度定位（厘米 级）与 5G-A 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 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 100ms，实现从监测预警到资源投送的全流程自动化。 区块链赋能安全协同引入区块链技术构建跨部门数据共享与航路协同 机制，通过分布式账 年某次洪涝灾害模拟演练中，跨区域无人机救援力量集结时 间从 4 小时压缩至 1.5 小时。 再生层：数字化灾后恢复体系 数字孪生辅助重建规划利用灾害现场数字孪生模型，结合人口分布、 基础设施损毁数据，自动生成灾后重建优先级图谱。例如，通过分析居民 区损毁程度与周边交通网络情况，智能规划临时安置点与重建时序，预计 可使恢复周期缩短 30%。 应急产业生态培育建立"应急救援装备租赁—数据服务—技术培训"的

DEM（GeoTIFF，TXT） √ 自动生成精度报告 √ 点云（PLY，TXT） √ 快速处理模式 √ 三维模型（OBJ） √ 镶嵌编辑工具 √ 空三、区域网平差和相机参数 √ b. 倾斜摄影建模软件  倾斜摄影三维自动建模软件 DP-Smart DP-Smart 是一套基于空地多源序列影像，无需人工干预，软件基于摄影测量、计算机视觉与计算几何 算法，支持全自动空三计算、密集点云生成、构建 TIN 网、 网、自动纹理映射等步骤，实现高分辨率真三维模 型的快速生成。