通过精细化调整通信系统的关键参数，可有效提升低空智联网的覆盖性能，包括优化 发射功率、接收灵敏度、接入门限等。首先，可根据低空飞行器的高度与实时信道测量信 息，动态调整基站的发射功率和接入门限，确保在覆盖边缘仍具备足够链路裕量。其次， 通过优化功率控制策略，使上行发射功率能够匹配因飞行高度与路径损耗变化带来的需求， 避免因上行功率不足导致的掉线。针对不同业务需求动态配置调制编码方式和资源分配策 略，实现覆盖范围与通信质量的综合平衡。 开销； 三是由于低空自组网中缺乏专用路由，易受攻击，且广播通信链路易引发误码。 基于上述挑战，需要低空智联网设计灵活高效的无线自组织技术，具体包括拓扑自适应 与智能路由、无线自组网的协议优化、边缘计算与协同处理、身份认证与攻击检测等。 （1）拓扑自适应与智能路由 与传统自组网相比，低空自组网中的飞行器速度更快、三维空间机动性更强，导致拓扑 变化频率更高、链路断裂更频繁。因此，可引入最优化理论、多目标决策模型、智能搜索算 动轨迹预测和 MAC 层载波侦听机制的链路选择等技术，提高路由协议对链路状态变化的感 知能力。 （3）边缘计算与协同处理 与地面终端相比，低空自组网中终端节点计算、存储能力更为有限。如图 11 所示，可 在低空飞行器群中部署轻量级边缘计算节点，将感知信息融合、任务分配及本地控制决策 等数据处理任务卸载到边缘节点，减少对远端云服务器的依赖，显著降低数据往返带来的 通信时延和带宽占用。同时，可使用协同

了优化高密度、高流量场景下的通信表现, 构建了一个 UAV 辅助的移动网络, 同时提出了一种基于在 线训练的低通信开销的数字孪生赋能动态资源分配策略. 具体而言, 实时信息从物理层传输到 DT 层, 帮助更新部署在边缘服务器中的 DT 模型. 同时, 边缘服务器可以直接从 DT 层收集数据, 并将其输 入机器学习系统进行策略探索. 随后, 策略或预测结果从 DT 层反馈到物理层, 促进网络性能的优化. Zhou 等 [33] 提出了一个联邦 提出了一个联邦 DT 框架, 用于对基于 UAV 的多目标跟踪场景进行准确和实时的模拟. 在该框架下, DT 可以帮助 UAV 基于本地观测将移动目标和邻居 UAV 的轨迹与速度映射到数字空 间. 边缘服务器聚合 DT, 准确地模拟目标和预测邻居 UAV 的后续运动, 以优化跟踪路径, 同时实现 碰撞避免. 可见, 数字孪生技术凭借其高保真虚拟映射与实时仿真能力, 已成为 UAV 控制与资源分配 的核心支撑技术 架构分为低空网络层、数字孪生层和自智管控层, 3 个层级进行分工与协 同, 支撑自智管控闭环稳定高效运行. 自智管控闭环如图 2 所示. 低空网络层通过多模态感知设备实时采集飞行器状态、网络状态及环 境状态等动态数据, 经边缘计算节点预处理后上传至数字孪生层的数据池. 数字孪生层构建动态更新 的数字孪生模型, 保持虚拟与真实物理环境的状态同步. 随后, 数字孪生层选择性上传孪生模型至自智 管控层的管控智能体, 作为其算法输入参数

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 LoRa 或 5G 网络将原始数据加密传输至边缘网关，网关进行初步过滤后上 在 300-1000 米低空建立长期观测 节点，与地面雷达组网形成立体探 测体系，数据更新频率达 10 秒 / 次，完整覆盖城市低空交通走 廊。 数据采集传输方案 边缘计算节点 在各观测站点部署 AI 边缘计算网关，内置 LSTM 时序预测算法，实现原始数据的本地质 量控制和特征提取，将传输数据量压缩至原始值的 15% ，同时保证关键信息完整度 ≥ 99% 。 5G+ 北斗双通道传输

.........................................................................................512 9.3.3 边缘计算与通信优化............................................................................................ 、强风等，会影响图像的清晰度和稳定性，进而 给视觉数据的获取与分析带来巨大挑战[6]。底层视觉任务是计算机视觉领域中基础性且重要 的组成部分，其通过对原始像素数据的处理，提取图像中的物理特征，如边缘、角点、纹理 等，或改善图像质量，如去噪、增强对比度、超分辨率等，为高层语义理解任务提供高质量 的数据支持[7]。在低空经济场景下，底层视觉技术能够帮助无人机等飞行器更好地感知周围 环境，实现 语义内容识别与场景理解不同，底层视觉是连接物理世界的光信号与数字图像表示、并为高 层语义分析提供高质量输入的桥梁，是整个视觉智能流程的起点与基石。 人类视觉系统感知世界时，视网膜首先对光信号进行初步处理，如亮度适应和边缘增强， 随后信息才传递至大脑进行高级识别。计算机视觉系统亦遵循类似流程。原始图像或视频流 在采集、传输和存储过程中，不可避免地受到多种因素干扰而导致质量退化。成像过程的物 理限制是首要因素：光

无人机技术的发展还受益于通信技术的进步。5G 网络的普及 为无人机提供了高带宽、低延迟的通信能力，使得无人机可以在更 远的距离和更复杂的环境中执行任务。此外，云计算和边缘计算技 术的结合，使得无人机可以在飞行过程中将部分计算任务卸载到云 端或边缘节点，从而减轻机载计算资源的压力。 以下是无人机技术发展的几个关键里程碑：  2000 年代初：无人机开始进入民用市场，主要用于航拍和农 业喷洒。  增强：使用直方图均衡化或对比度拉伸技术增强图像细 节。 o 校正：通过几何校正或畸变校正消除图像中的几何失 真。 2. 特征提取：利用卷积神经网络（CNN）等深度学习模型，系 统能够自动提取图像中的关键特征。这些特征包括边缘、纹 理、形状等，能够有效区分不同的目标物体或场景。特征提取 的具体步骤包括： o 卷积层：通过多层卷积操作提取图像的局部特征。 o 池化层：通过最大池化或平均池化操作减少特征维度， 保留重要信息。 达等设备组成，负责实时采集低空环境中的图像、视频和多模态数 据。采集的数据通过无人机内置的预处理模块进行初步筛选和压 缩，以减少数据传输的负担。数据传输层采用 5G 网络和边缘计算 技术，确保数据能够快速、稳定地传输到地面控制中心或云端服务 器。对于实时性要求较高的场景，边缘计算节点可以在本地完成部 分数据处理任务，降低延迟。 数据处理层负责对接收到的原始数据进行清洗、格式转换和存 储。数据清洗模块通过去噪、去重和异常值检测等技术，确保数据

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 生态。聚焦低空空域智能化管理需求，提出技术标准与系统化解决方案。 Intelligence， AI）和边缘计算等技术的飞速发展，低空空域管理得到了全面提升。随着低空空域管理对智 能化、自动化需求的不断提升，飞行器与地面系统、其他飞行器之间需要实时进行大数据量 的双向通信，5G 技术的低延迟和高带宽特性，满足了这些大规模数据的实时传输需求，使 得低空通信更加高效稳定，为智能化与自动化奠定了坚实基础。同时，在 AI 和边缘计算的 赋能下，导航和监视技术逐渐朝 3、边缘计算技术 基于边缘计算及 AI 识别技术，构建低空复杂环境融合感知系统。通过开发多源数据融 合感知算法，将不同时空、不同维度的多传感数据进行时-空-模多尺度融合，获取更丰富的 场景信息，实现多模态异构数据的高效融合。边缘计算设备支持算力资源的分布式调度，具 数字低空工作组 16 备不同厂商协议适配、飞行控制、航点规划、AI 识别等核心功能，并在边缘侧实现高性能

实时传输至指挥中心，并通过可视化平台展示，辅助决策者快速响 应。 项目的技术架构分为三个层次：感知层、处理层和应用层。感 知层由无人机及其搭载的传感器设备组成，负责数据采集；处理层 通过边缘计算和云端 AI 算法，对采集到的数据进行实时分析和处 理；应用层则通过指挥中心的可视化平台，将处理结果呈现给决策 者，并提供智能化的灭火建议。 项目的实施将显著提升火灾防控的效率和准确性，减少火灾造 清摄像头、红外热成像仪和激光雷达等传感器。 - AI 算法：基于深 度学习的图像识别模型，结合卷积神经网络（CNN）和目标检测算 法（如 YOLO ），实现对火源、烟雾和人员的高精度识别。 - 数据 处理与传输：利用边缘计算技术，在无人机端进行初步数据处理， 减少数据传输延迟；同时，通过 5G 网络实现实时数据传输，确保 指挥中心能够及时获取关键信息。 项目预期成果包括： - 火灾预警时间缩短至 5 分钟以内； 通过以上范围的实施，本项目将显著提升消防部门的应急响应 能力，为火灾防控和救援工作提供强有力的技术支持。 1.3.1 地理覆盖范围 本项目的地理覆盖范围主要针对城市及周边地区，特别是高层 建筑密集区、工业区、森林边缘地带以及交通枢纽等高风险区域。 这些区域由于人口密集、建筑结构复杂、易燃物集中，一旦发生火 灾，后果将极为严重。因此，低空无人机消防部署 AI 识别系统的 设计将优先覆盖这些关键区域，以确保在火灾初期能够迅速响应并

了产业链闭环的最后一公里 FaaS 平台 飞行服务运营流程管理 边缘计算及数据传输 飞行数据处理 飞行成果交付及应用 数据储存 数据加工 互联网 数据分析 无人机飞行 数据采集 边缘计算 数据传输 数据处理 成果交付 无人航空数字运营一体化体系 画布管理 动态标注 模型加载 三维数字孪生应用 地图查询 模型切换 驾驶舱 标注交互 多期对比 测量工具 图层切换 Al 能力中台 项目管理 数字化 项目管理 飞手管理 边缘工作站 超算中心 空域管理 自有空域 禁限飞空域 数字化 空域申请 空域管理 其它感知 气体探测 激光雷达 气压计 海量数据 汇集 推荐 姿态感知 GPS 陀螺仪 磁罗盘 运营调度

等场地资源，按照"50 平方公里/基站"标准建设无人机起降点，配套氢能/ 充电设施与智能仓储系统。目标到 2025 年，重点灾害易发区实现起降点 密度提升至 30 平方公里/基站，确保救援装备 15 分钟内抵达灾区边缘。 "三台合一"指挥中枢建设集飞行服务、应急指挥、无人机监管于一体 的跨部门联合指挥中心，打通公安、应急、气象、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 强站（RTK）实现厘米级定位精度，可支撑无人机电力巡检（导线间距毫 米级误差要求）、应急物资定点投送（误差<0.5 米）等高精度作业。在 2024 年森林火灾救援测试中，搭载该技术的无人机群实现 5000 平方米火 场边缘可燃物精准抛投阻燃剂。 复杂环境自适应导航算法针对山区地形遮挡、城市峡谷效应等场景， 开发多传感器融合导航算法（视觉+惯导+北斗）： 视觉 SLAM 避障：通过双目视觉实时构建三维环境地图，实现峡谷内 名化灾情监测 数据（如降雨量、风速），某保险企业通过购买数据优化灾害理赔模型， 赔付效率提升 40%。 2. 技术融合范式：5G-A 通感算一体化网络 通感算协同架构：在 5G-A 基站内置边缘计算节点，实现"感知数据采 集—AI 算法分析—指令实时下发"闭环，时延从传统方案的 500ms 压缩至 80ms，支撑无人机群实时规避空中障碍物（如飞鸟）。 数字孪生决策重构：将灾害现场数字孪生模型与指挥系统深度融合，

私保护机制的完善，是推动低空经济可持续发展的关键前提。 尽管挑战重重，低空经济所蕴含的机遇同样引人注目。人工智能、6G 通讯和边缘计算等前沿技术的快速发展，正推动系统向更智能、自主 的方向演进。低空经济有望缓解城市交通拥堵、释放公共空间，并支 持去中心化的物流体系建设。同时，它还可改善边缘地区的服务可达 性，以及提升应急响应能力。 使低空经济与更广泛的城市发展目标保持一致，是发展的关键所在。 这意