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

技术提出严厉批评，随后英国政府、美国 DARPA 和美 国国家科学委员会等机构大幅削减对 AI 的投资，使得 AI 研究陷入低谷。 发展历程 - 第一次低 谷 专家系统基于知识整理出来的规则，进行逻辑推理，来模拟和 延伸人类专家的决策能力，解决复杂的问题。 3. 人工智能的历史 发展历程 - 第二次高潮阶 段 第二次高潮阶段（ 1980 年 -1987 年） 3. 人工智能的历史 第二次低谷阶段（ 强化学习 智能芯片技术 基础算法技术 二 、关键技 术 计算机视觉 自然语言处理 语音处理 多模态分析推理技术 1. 人工智能的关键技术 感知技术 二 、关键技 术 人工智能研究的三个门派 符号主义，又称逻辑主义、心理学派或计算机学派，是一种基于逻辑推理的智能模拟方法，认为人工智能源 于数学逻辑，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。 典型代表： 行为主义，又称进化主义或控制论学派，是一种基于“感知——行动” 的行为智能模拟方法，思想来源是进 化论和控制论。其原理为控制论以及感知——动作型控制系统。 该学派认为：智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理，不同的行为 表现出不同的功能和不同的控制结构。生物智能是自然进化的产物，生物通过与环境及其他生物之间的相互 作用，从而发展出越来越强的智能，人工智能也可以沿这个途径发展。 典型代表：著名的研

CPU GPU 负载混部 性能诊断 QoS保障 资源画像 参数 调优 弹性伸缩 ... AI运维 故障预测 AI增强 云游戏 ... 新型协议 新兴架构 通算+智算云 推理API 预训练 大模型 精调即服 务 模型评估 AI for Cloud 计算 Serverless AI云函数 RDMA AI+PaaS 数据库 Hypervisor 轻量虚拟化 合，构建面向 AI 训练与推理的高性能智算云平台。同时，云操作系统通过 AI 驱动的资源调度、能耗管 理与故障预测，实现数据中心的高效、低碳运行，践行绿色可持续发展。 在系统框架层，AI PaaS 正在重塑开发者体验。Serverless 计算平台结合冷启动加速、函数压缩与工作 流编排，支持 AI 应用的极致弹性与快速迭代；面向 AI 开发的一站式平台集成训练框架、推理优化、向 2 CHAPTER Operations）范畴，实现 模型交付的自动化与可追溯。与此同时，模型即服务 MaaS（Model as a Service）正成为连接模型能力与 行业应用的关键枢纽 [5]。通过提供预训练大模型托管、精调接口、推理 API 及模型市场，MaaS 使企业 无需从零训练即可获取先进 AI 能力，极大加速 AI 落地进程。 AI for Cloud 广泛应用于基础架构层和系统框架层两个层级，通过 AI 算法优化资源调度、网络拥塞

同时还包括具备智能信息处理的海量数据、超复杂性、实时性等暂时还未触及的智能技术 20 世纪 50 年代到 70 年代初 ，人们认为如果能赋予机器逻辑推理能力 ，机器就能具有智能 ，人工智能研究处于“推理期”。当人们意识到人类 之所以能够判断、决策 ，除了推理能力外 ，还需要知识 ，人工智能在 20 世纪 70 年代进入了“知识期” ，大量专家系统在此时诞生。随着研究向前 进展 ，专家发现人类知识无穷无尽 自然语言处理领域大获成 功 个百分点夺冠 ImageNet Hinton 发表深 度学习的文章 莱第五代计算机 - 人 工智能计算机 - 由于 技术路线明显背离计 算机工业的发展方向 项目宣告失败 推理期 将逻辑推理能力 赋予计算机系统 知识期 总结人类知识教 授给计算机系统 自动定理证明系统 完成数据原理第二 章证明 DeepID 算法首 次 超过人眼识别的 人脸率 DENDARL- 世界上第一例 ，决定战争胜败的规律 突出体现在 “制智权”的争夺上 ，智能优势成为超越信息优势的 “进阶”优势。 “ 制智权”成为战场综合制权的核心。 战时 ， 敌我双方将首先围绕军事智能活动的 “感知——理解——推理——判断” 等环节激烈对抗 ，争夺支撑作战体系高效运转的人机混合智能的 “思考”速度和质量优势。 同时 ，智能系统也将成为战 场攻防的主要对象 ， 敌对双方可能通过控制对方机器人、 无人机、 智能决策等自主作战系统实现制胜目的

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 =

产品缺陷等信息的识别 ，提升视觉处理能力； 加强对时序数据、 工艺约束规则的理解 ，提升智能决策能 力。 • 强化基础模型工业推理能力 ，梳理工业标准操作流程 ，汇聚一批提示词 ，推动智能体理解工业任务、 指令、 角色； 面 向制造业泛化场景 ，采用知识蒸馏、 逻辑打分等方法 ，打造一批推理数据集 ， 支持工业模型微调。 （一） 提升工业模型基础能力 发展工业元宇宙 ， 攻关关键技术 • 发展工业元宇宙 支撑模拟仿真、 工业机器人泛化抓取 等模型训练与应用验证 （三） 发展工业数据治理和合成技术 03 建设关键要素平台 01 工业云升级与智算云服务 推动工业云企业升级打造智算云 ，攻关低延迟分布式推理架构、 工厂级算力调度等技术 ，研发语料加工、 模型 训 练、 模型管理、 智能体开发等工具模块 ，提供 “语料包” “算力包” “模型包”等服务 ，形成云化、 本地化以及小型 化、 轻量化等多种部署方案 建设工业语料库平台 • 推动语料企业、制造企业、服务商等联合打造工业语料公共服务平台 ，建设船舶、航空、汽车、能源、钢铁等行业高质量多模态语料库， 形成工业战略语料库以及模型微调数据、强推理数据、评测语料、实体知识图谱、稀缺场景语料等工业专业语料资源。 • 探索嵌入式积分等多元利益分享和激励机制 ，促进语料高效汇聚与共享流通。 • 推动链主企业基于行业上下游需求 ，打造工业数据空间

大模型、视频分析引擎、多源数据融合平台三 大核心模块构成，形成端到端的智能处理闭环。AI 大模型采用混合 架构设计，基础层使用开源 Llama3-8B 模型进行微调，结合轻量 化目标检测模型 YOLOv8s 实现实时处理，推理速度达到 45FPS（1080P 分辨率下）。视频分析模块部署多级流水线处理机 制，原始视频流经过预处理后，分别送入行为识别、属性提取、异 常检测三个并行分析通道，通过动态负载均衡技术将单路视频处理 系统部署采用云端与边缘计算协同的混合架构，通过分层处理 实现资源优化与实时响应。云端部署在省级公安大数据平台，负责 海量视频数据的长期存储、复杂模型训练及跨区域协同分析；边缘 侧部署在派出所或街道级视频汇聚节点，配备轻量化 AI 推理设 备，实现前端 200ms 内的实时目标检测与初步预警。两级架构通 过公安专网实现加密数据传输，带宽占用降低 62%以上。 核心部署要素如下： 1. 云端层功能模块 o 模型训练中心：基于 研判平台：提供多维度分析工具，包括时空碰撞分析、 人员轨迹回溯等 12 类实战模型 2. 边缘层技术参数 o 硬件配置：搭载 NVIDIA Jetson Orin 模块，INT8 量化模 型推理速度达 45FPS o 网络时延：通过 5G 切片技术保障关键数据传输时延 <150ms o 存储能力：本地缓存最近 72 小时视频，支持断网续传 关键数据流处理流程表现为三级过滤机制： 1

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

]。模块化不仅提升 开发敏捷性，更强化了技术栈的可验证性与责任边界划分能力。 答对先见AI 全球智能驾驶辅助技术发展现状:技术路线、商业化落地与政策框架分析 7 计算资源调度优化是支撑实时推理稳定性的关键底座。现有方案多采用静态任 务分配策略，难以适配NOA运行中感知负载（如密集路口点云处理）与规划负 载（如多目标博弈搜索）的非线性波动。新一代架构正转向基于QoS（服务质 量）分级 软 实时（如常规跟车轨迹重规划）与离线类（如高精地图众包更新）三类，结合 芯片级硬件调度器（如NPU+CPU协同仲裁机制）实现毫秒级资源再分配。实测 表明，该策略使系统在95%置信度下的端到端推理延迟标准差降低63%，极端 工况下任务丢弃率趋近于零[3]。 可扩展性改进直接决定L2+到L3+功能演进的工程可行性。当前头部方案已构建‘ 功能原子化’能力图谱 将变道、无保护左转、环岛通行等原子能力封装为独 ，实现团雾预警、异常停车识别与编队通行引导；自动匝道汇入则依赖RSU与 OBU间毫秒级协同 路侧系统提前3秒预测主路车流间隙，并向汇入车辆下发 最优汇入速度与轨迹指令，实测成功率超92%。当前优化方向集中于轻量化边 缘推理模型部署、异构V2X协议互通网关开发，以及“一杆多用”多功能智能 杆集成标准落地[4]。 参考文献 答对先见AI 全球智能驾驶辅助技术发展现状:技术路线、商业化落地与政策框架分析 14

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