动态障碍物规避实时影像生成：无人机路径规划工程师的AI短视频技术应用指南

汇报人:12342026/05/06动态障碍物规避×实时影像生成：无人机路径规划工程师的AI短视频技术应用指南CONTENTS目录01

技术背景与行业需求02

动态障碍物规避核心技术03

实时影像生成技术架构04

AI技术融合与短视频应用CONTENTS目录05

典型应用场景实践06

工程实践与开发指南07

挑战与未来展望技术背景与行业需求01智慧城市空中物流无人机快递可实现实时避障与精确送达，大型物流中心通过空中调度优化能显著提高配送效率，是低空经济的重要应用领域。应急救援高效响应在应急救援中，远程医疗无人机可紧急送药，还能在火场或地震现场实时构建3D环境，辅助无人机精准救援，提升救援效率。农业巡检智能化管理无人机能智能识别农作物生长状况并精准喷洒农药，结合AI遥感分析可及时掌握病虫害情况，推动农业向智能化管理发展。城市空中交通（UAM）探索随着无人机物流等应用发展，城市空中交通（UAM）成为新方向，对智能空中交通管理提出需求，助力构建未来城市立体交通体系。低空经济崛起：无人机应用场景扩展路径规划核心挑战：动态环境与安全需求动态障碍物的时变性与不确定性动态障碍物如空中飞鸟、其他飞行器等，具有运动轨迹实时变化的特点，传统静态路径规划算法难以应对其突发出现和不可预测的移动趋势，增加了避障的难度。复杂环境下的多约束融合难题无人机在三维空间飞行时，需同时满足空间可达性（适配复杂地形）、动态避障实时性（规避移动障碍物）、集群碰撞安全性（无人机间无碰撞）等多重约束，传统单一算法难以平衡各项需求。实时性与路径优化的平衡困境在动态环境中，路径规划需快速响应环境变化并调整飞行路径，但过度追求实时性可能导致路径优化不足，而强调路径最优又可能牺牲响应速度，如何在两者间取得平衡是关键挑战。多无人机协同避障的复杂性多无人机系统在协同作业时，不仅要避开环境中的障碍物，还需避免相互碰撞，各无人机路径规划需具备协同性和协调性，随着无人机数量增加，搜索空间维度急剧上升，计算量呈指数级增长。AI短视频技术：从感知到决策的价值赋能

空间视频技术：构建动态环境数字孪生融合高精度LiDAR、全景视觉传感器、毫米波雷达等多模态数据，基于神经辐射场（NeRF）和SLAM算法，实时构建动态高精度3D空间模型，为无人机提供精准的环境感知输入，降低复杂环境下的感知误差。

多模态大模型：实现语义级障碍物理解如Qwen3-VL等视觉-语言模型，通过统一的多模态编码-解码架构，将视觉输入与文本指令嵌入同一语义空间，能解析“绕开红屋顶房子”等复杂语义指令，结合视觉定位实现精准语义接地，超越传统目标检测的“存在性”判断。

端云协同决策：实现毫秒级避障响应采用端侧（机载AI处理本地感知数据）、边缘（低空基站+5G提供区域级环境感知和航线优化）、云端（数字孪生大脑全局调度）协同架构，结合AI深度学习优化环境信息，实现对动态障碍物的实时检测与路径调整，保障飞行安全。

智能航线优化：提升任务执行效率基于AI的动态路径规划技术，结合城市地形、天气、空域法规等因素，优化无人机飞行路径。在多无人机场景下，能实时监测空域流量，智能分配航线，避免空中拥堵，同时可根据任务需求优化飞行时间、能量消耗等成本函数。动态障碍物规避核心技术02传统路径规划算法：A*与RRT的原理与应用

A*算法：启发式搜索的经典范式A*算法是一种基于图搜索的启发式算法，核心在于评估函数f(n)=g(n)+h(n)，其中g(n)为起点到当前节点实际代价，h(n)为当前节点到目标节点估计代价（启发式函数）。通过优先选择代价最小节点扩展，能高效找到最优路径，广泛应用于无人机静态环境路径规划。

A*算法的栅格地图实现与动态扩展在工程实践中，A*算法常将连续空间离散为栅格地图（如0.5m×0.5m单元），通过OpenSet/ClosedSet管理节点状态。针对动态障碍物，可引入时间维度构建时空栅格或采用滚动窗口重规划策略，在MATLAB环境中通过lujingguihua.m等脚本实现路径求解闭环。

RRT算法：随机采样的路径探索能力快速扩展随机树（RRT）算法通过在空间随机采样生成节点并扩展树结构，无需全局环境信息即可探索复杂地形。其三维改进版本通过节点状态扩展（含三维位置与航向角）和采样优化，适配无人机在山谷、建筑物等三维复杂环境中的路径规划需求。

A*与RRT的典型应用场景对比A*算法适用于静态已知环境下的最优路径规划，如城市建筑物规避场景；RRT算法则擅长动态未知环境的路径探索，如应急救援中复杂地形的实时路径生成。两者可结合使用，如全局路径规划采用A*算法，局部动态避障采用RRT重规划策略。动态避障策略：实时检测与轨迹调整机制多模态融合感知技术

结合高精度LiDAR、全景视觉传感器、毫米波雷达、GNSS定位，实现360°空间感知，利用AI深度学习优化环境信息，降低感知误差，提升无人机对复杂环境的适应能力。动态障碍物检测与预测

识别高楼、电线、无人机、飞鸟等障碍物，采用卡尔曼滤波算法预测动态障碍物的运动轨迹，在MATLAB中通过RoboticsToolbox实现动态障碍物的位置、速度、加速度等参数的实时更新与预测。时空感知避障与决策

融合激光雷达+视觉SLAM+AI计算，预测飞行路径并实时避障，通过端云协同计算架构，实现毫秒级决策，保证飞行安全。当飞行过程中出现新的动态障碍物时，路径规划能够及时调整，重新计算飞行路径。分层式防撞策略

主动防撞策略基于路径规划算法的协同约束，设定无人机之间的最小安全距离阈值融入优化函数；被动防撞策略设计实时碰撞检测与应急调整机制，采用模型预测控制（MPC）算法，实时调整无人机的飞行速度和方向，生成应急规避轨迹。多无人机协同避障：机间通信与冲突消解01协同避障通信架构：端-边-云三级数据交互采用端侧机载AI处理本地感知数据实现基础避障，边缘计算节点（低空基站+5G）提供区域级环境感知与航线优化，云端数字孪生大脑负责全局无人机航线调度与冲突预判，形成毫秒级响应的协同决策闭环。02机间碰撞检测：双重安全距离阈值机制通过实时计算无人机间三维距离d_ij与动态障碍物距离d_io，当d_ij小于无人机半径r_uav或d_io小于障碍物边界半径r_o时，立即触发避障响应，结合卡尔曼滤波预测障碍物运动轨迹实现提前规避。03冲突消解策略：分层式路径调整机制主动防撞通过在路径规划中融入机间最小安全距离约束，从源头避免轨迹交叉；被动防撞采用模型预测控制（MPC）算法，在检测到突发风险时实时调整速度与方向，生成应急规避轨迹后回归原路径。04多机协同案例：V型编队动态障碍物绕行领航机通过局部RRT重规划生成绕障临时路径，跟随机按"就近调整"原则在维持V型拓扑的前提下微调相对位置，障碍物脱离风险范围后自动恢复原始编队形态，确保集群作业的连续性与安全性。仿真验证：MATLAB环境下的避障性能评估静态障碍物规避测试在包含多边形或圆形静态障碍物的栅格地图环境中，利用MATLAB的UAVToolbox和RoboticsToolbox构建仿真场景。A*算法通过矩阵存储障碍物坐标信息，能够成功规划出从起点到目标点的最短无碰撞路径，路径规划精度满足预设安全距离要求。动态障碍物响应测试针对空中飞鸟、其他飞行器等动态障碍物，采用卡尔曼滤波算法在MATLAB中实现其运动轨迹预测。仿真结果表明，集成动态避障策略的路径规划算法能实时调整路径，对突发动态障碍物的响应延迟可控制在毫秒级，确保飞行安全。多无人机协同避撞测试基于改进的粒子群算法或蚁群算法，在MATLAB中对多无人机系统进行协同路径规划仿真。通过设定无人机间最小安全距离阈值，结合主动防撞和被动防撞策略，实现多无人机在复杂环境下的无碰撞协同飞行，任务完成时间较单无人机系统显著优化。算法性能指标评估在MATLAB仿真环境中，对避障算法的关键性能指标进行量化评估，包括路径长度、计算耗时、避障成功率等。实验数据显示，所提算法在复杂环境下具有较高的避障效率，例如在多动态障碍物场景下，避障成功率可达95%以上，平均计算耗时满足实时性要求。实时影像生成技术架构03空间视频技术：360°环境感知与建模

多模态融合感知：构建全方位环境输入结合高精度LiDAR、全景视觉传感器、毫米波雷达及GNSS定位，实现对低空环境的360°全方位立体感知，为无人机避障提供多维度数据支撑。

实时SLAM建模：动态高精度3D空间构建基于神经辐射场（NeRF）和SLAM算法，能够实时构建动态高精度的3D空间模型，精准还原无人机飞行环境的复杂地形与障碍物分布。

智能数据融合：提升环境适应与感知精度利用AI深度学习技术优化环境信息，有效降低多传感器感知误差，显著提升无人机在复杂环境（如雾霾、夜晚）下的适应能力和感知准确性。多模态数据融合：LiDAR+视觉+雷达的协同感知

01多模态融合感知：构建全方位环境认知结合高精度LiDAR、全景视觉传感器、毫米波雷达、GNSS定位，实现360°空间感知，为无人机在复杂环境中提供全面的环境信息输入。

02实时SLAM建模：动态高精度3D空间构建基于神经辐射场（NeRF）和SLAM算法，利用多模态数据实时构建动态高精度3D空间模型，准确反映环境中静态与动态障碍物的位置与形态。

03智能数据融合算法：提升感知可靠性利用AI深度学习，结合贝叶斯估计+卡尔曼滤波等方法进行自适应权重优化，优化环境信息，降低感知误差，提升无人机对复杂环境的适应能力。

04时空同步与数据增强：保障数据一致性与鲁棒性通过时空同步技术实现不同传感器数据时间对齐，消除误差；针对复杂环境（如雾霾、夜晚）进行图像增强，确保在恶劣条件下感知能力不降低。实时SLAM建模：神经辐射场与动态场景重构

神经辐射场（NeRF）的空间建模革新神经辐射场（NeRF）技术通过深度学习将多视角图像转化为连续的三维场景表示，能够捕捉复杂环境的几何细节与纹理特征，为无人机提供高精度的环境感知基础。

SLAM算法与NeRF的融合路径基于SLAM算法的实时定位与地图构建能力，与NeRF的三维场景生成技术相结合，实现动态高精度3D空间模型的构建，提升无人机对复杂环境的适应能力。

动态障碍物的实时轨迹预测通过融合激光雷达、视觉SLAM及AI计算，实时识别高楼、电线、其他无人机、飞鸟等动态障碍物，并基于其运动特性预测轨迹，为自主调整飞行轨迹提供数据支持。

端云协同的毫秒级决策响应采用端-边-云协同架构，机载端处理本地感知数据实现基础避障，边缘计算提供区域级环境感知，云端大模型进行全局调度，实现超低延迟响应，保障飞行安全。影像优化技术：低光照与复杂环境下的质量提升

多模态融合增强：激光雷达与视觉数据互补结合高精度LiDAR、全景视觉传感器、毫米波雷达，实现360°空间感知，降低单一传感器在低光照或复杂环境下的感知误差，提升环境适应能力。

智能数据增强算法：动态场景适应性处理利用AI深度学习对复杂环境（如雾霾、夜晚）进行图像增强，通过自适应权重优化（结合贝叶斯估计+卡尔曼滤波）提高数据融合精度，增强无人机在恶劣条件下的感知能力。

增强OCR技术：低照度环境下的语义识别在夜间低照度环境下，通过增强OCR能力识别远处路牌文字信息，辅助地理定位与环境理解，解决传统视觉识别在光照不足时的语义理解困难问题。AI技术融合与短视频应用04统一多模态编码-解码架构Qwen3-VL采用统一的多模态编码-解码架构，将视觉输入（图像/视频）与文本指令嵌入同一语义空间，实现从像素到意图的端到端理解跃迁。跨模态对齐机制通过ViT-H/14等视觉主干提取图像特征后，使用可学习连接器（如Q-Former）映射至语言模型空间，使词汇携带“遮挡物”“不可穿越”等潜在语义。双重推理模式支持Instruct模式（快速响应简单查询，如“前方有没有人？”）和Thinking模式（激活内部思维链，用于复杂任务分解与推理）。语义接地与行为建议生成超越传统目标检测的“存在性”判断，进入空间关系推理与动作建议生成阶段，例如“检测到左侧树枝突出约1.2米，建议右偏航15度并保持3米横向间距”。视觉-语言模型（Qwen3-VL）：语义理解与决策生成端-边-云协同架构：实时推理与算力分配

端侧计算：机载AI的实时响应无人机机载端部署轻量级AI模型（如Qwen3-VL4B-Instruct版本），处理本地摄像头等传感器采集的感知数据，实现基础避障和导航功能，满足毫秒级本地决策需求。

边缘计算：区域级环境感知与优化依托低空基站和5G网络，边缘计算节点提供区域级环境感知数据处理和航线优化服务，弥补端侧算力不足，支持动态障碍物轨迹预测等中等复杂度任务。

云端大模型：全局调度与数字孪生云端部署高性能大模型（如Qwen3-VL8B-Thinking版本），作为数字孪生大脑负责全局无人机航线调度、复杂任务规划与复盘，结合多源数据实现精准空中管控。

算力分配策略：动态平衡与协同采用关键帧采样、缓存机制和分层响应策略控制推理延迟，通过“端侧基础决策+边缘区域优化+云端全局调度”的协同模式，实现算力资源的高效利用与任务的实时响应。AI短视频生成流程：从环境感知到内容输出

多模态数据采集与预处理通过无人机机载摄像头、LiDAR、毫米波雷达等多传感器，实时采集RGB图像流、点云数据及环境参数，经运动显著性检测挑选关键帧，结合时空同步与自适应权重优化算法，降低感知误差，为后续处理提供高质量数据输入。

语义理解与动态场景建模利用Qwen3-VL等视觉-语言模型，将视觉输入与文本指令嵌入同一语义空间，实现从像素到意图的理解跃迁，识别动态障碍物（如施工脚手架、飞鸟）及目标（如蓝色储水罐），并基于NeRF和SLAM算法构建动态高精度3D空间模型。

路径规划与避障决策可视化基于A*算法或改进RRT算法生成最优避障路径，通过MATLAB仿真将路径规划过程、动态障碍物规避轨迹以可视化形式呈现，包括OpenSet扩展过程、ClosedSet闭合区域、最终路径及障碍轮廓的实时绘制。

多无人机协同行为动态记录针对多无人机V型编队等协同场景，记录领航机路径规划、跟随机队形保持及动态避障时的临时调整过程，捕捉无人机间相对位置变化、速度调整及任务执行细节，形成多视角协同行为影像素材。

智能剪辑与内容输出AI模型根据任务需求（如避障效率展示、路径优化对比）自动选取关键影像片段，结合语义理解结果添加文字标注（如“检测到左侧树枝突出约1.2米，建议右偏航15度”），生成包含环境感知、路径规划、避障决策全流程的短视频，支持MP4等格式输出。案例分析：语义指令驱动的动态避障短视频单击此处添加正文

场景设定：城市楼宇间的复杂语义导航任务无人机需在城市楼宇间穿行，接收指令“飞到对面楼顶那个蓝色储水罐旁，避开正在施工的脚手架”，无预设航线，仅依赖机载摄像头实现动态避障与精准导航。技术实现：Qwen3-VL多模态认知架构的核心作用采用统一的多模态编码-解码架构，将视觉输入与文本指令嵌入同一语义空间，实现从像素到意图的理解跃迁。例如，模型能识别“蓝色储水罐”为目标，“脚手架”为动态障碍，并判断左侧绕行更安全。系统闭环：从图像采集到动作执行的全流程解析系统分为四层协同工作：摄像头采集RGB图像流，Qwen3-VL推理引擎结合自然语言指令生成JSON格式决策建议（如{"action":"turn_left","angle":30}），路径规划器生成航点与安全约束，最终由飞控系统PX4/Ardupilot驱动电机执行动作。短视频制作：关键帧选择与语义决策可视化呈现通过运动显著性检测算法挑选关键帧（如视角变化超阈值、出现新物体），将Qwen3-VL的语义理解过程（如“检测到左侧树枝突出约1.2米，建议右偏航15度”）与无人机动态调整轨迹同步记录，生成直观展示语义指令驱动避障过程的短视频。典型应用场景实践05智慧城市空中物流：快递配送的实时避障与路径优化多模态融合感知：构建城市低空三维地图结合高精度LiDAR、全景视觉传感器、毫米波雷达和GNSS定位，实现360°空间感知；基于神经辐射场（NeRF）和SLAM算法，构建动态高精度3D空间模型，为无人机配送提供精准环境数据。时空感知避障：应对复杂动态障碍融合激光雷达+视觉SLAM+AI计算，预测飞行路径并实时避障；智能识别高楼、电线、其他无人机、飞鸟等障碍物，通过端云协同计算架构实现毫秒级决策，自主调整飞行轨迹，保障配送安全。多无人机协同调度：优化空中交通流量实时监测空域流量，智能分配航线，避免空中拥堵；结合城市地形、天气、空域法规，基于AI进行动态路径规划；采用安全协议+区块链加密，保障飞行数据安全，防止信息篡改或黑客攻击。端-边-云协同：实现高效配送闭环端侧计算（无人机机载AI）处理本地感知数据，实现基础避障和导航；边缘计算（低空基站+5G）提供区域级环境感知和航线优化；云端大模型（数字孪生大脑）全局调度无人机航线，实现精准空中管控与快递高效送达。应急救援：灾后环境3D建模与物资精准投送

灾后环境动态3D建模技术基于多模态融合感知技术，结合高精度LiDAR、全景视觉传感器和实时SLAM算法，快速构建灾后复杂环境的动态高精度3D空间模型，为无人机救援路径规划提供精确环境输入。

应急物资投送路径规划策略采用改进A*算法与动态避障策略，针对灾后动态障碍物（如余震落石、临时救援设施）实时调整飞行路径，确保救援物资快速、安全送达目标区域，提升应急响应效率。

多无人机协同救援调度机制通过端-边-云协同架构，实现多无人机集群的智能协同调度，基于AI动态路径规划算法，结合灾情优先级和空域流量，优化物资投送顺序和航线，避免空中拥堵与碰撞。

远程医疗无人机应急送药应用利用空间视频技术赋能的智能避障系统，远程医疗无人机可在复杂灾后环境中精准避障，实现紧急药品的快速投送，为伤员救治争取宝贵时间，提升灾后救援的及时性与有效性。农业巡检：作物生长监测与智能避障喷洒

无人机智能识别农作物生长状况利用AI遥感分析技术，无人机可智能识别农作物生长状况，包括健康程度、生长阶段等，为精准农业管理提供数据支持。

基于空间视频技术的农田环境感知结合多模态融合感知，如高精度LiDAR、全景视觉传感器等，实现360°空间感知，构建农田动态高精度3D空间模型，辅助避障决策。

动态障碍物检测与自主轨迹调整识别农田中的电线杆、树木、灌溉设备等静态障碍物及飞鸟等动态障碍物，通过时空感知避障技术自主调整飞行轨迹，确保喷洒作业安全。

智能避障喷洒提升农药使用效率通过AI计算与动态路径规划，无人机在避障的同时实现精准喷洒农药，减少农药浪费，提高农业智能化管理水平和作业效率。工程实践与开发指南06核心工具箱与环境配置基于MATLAB的UAVToolbox构建无人机模型，结合RoboticsToolbox实现动态障碍物轨迹预测，通过OptimizationToolbox进行路径优化算法求解，配置CurveFittingToolbox完成路径平滑处理，形成完整仿真环境。动态环境建模与障碍物表示采用坐标标定法将静态障碍物抽象为多边形或圆形，通过矩阵存储坐标信息构建静态地图；运用卡尔曼滤波算法预测动态障碍物运动轨迹，在MATLAB中实现位置、速度等参数的实时更新与预测。A*算法与动态避障策略编程在栅格地图环境下实现A*算法，定义OpenSet/ClosedSet管理节点状态，采用曼哈顿距离或欧氏距离设计启发函数，结合碰撞检测与局部重规划逻辑，编写动态障碍物规避的MATLAB代码，实现路径的实时调整。仿真结果可视化与性能评估利用MATLABGraphics绘制环境地图、无人机飞行轨迹及障碍物轮廓，实时显示算法扩展过程；通过路径长度、避障响应时间、算法收敛速度等指标，评估在静态与动态障碍物场景下的规划性能。MATLAB仿真平台搭建：路径规划与避障算法实现系统集成方案：传感器选型与硬件部署

多模态融合感知传感器选型采用高精度LiDAR、全景视觉传感器、毫米波雷达及GNSS定位组合，实现360°空间环境感知，为动态障碍物检测与路径规划提供多维度数据输入。端-边-云协同计算硬件架构端侧部署无人机机载AI计算单元（如JetsonAGXOrin）处理本地感知数据；边缘侧依托低空基站与5G网络提供区域级环境感知与航线优化；云端构建数字孪生大脑实现全局无人机航线调度。实时SLAM建模硬件加速方案集成神经辐射场（NeRF）与SLAM算法专用加速模块，结合多模态数据融合技术，实现动态高精度3D空间模型的快速构建，支撑无人机实时避障决策。低延迟通信与数据加密硬件保障配备安全协议与区块链加密硬件模块，保障无人机飞行数据传输安全，防止信息篡改或黑客攻击，同时通过端云协同计算架构实现毫秒级避障决策响应。性能优化策略：推理延迟控制与算力资源分配01关键帧采样技术：降低计算负载无人机以30fps频率采集视频流，通过运动显著性检测算法挑选关键帧（如视角变化超过阈值、出现新物体），确保只在必要时刻触发大模型推理，有效降低计算资源消耗。02缓存机制应用：减少重复推理对静态场景建立视觉指纹库，当无人机再次经过相似路段时，可调用历史经验，避免对相同环境进行重复推理计算，提升响应速度。03分层响应架构：平衡实时性与优化紧急避障由底层SLAM实时处理，Qwen3-VL等大模型提供“软建议”用于长期路径优化，实现毫秒级应急响应与全局路径规划的协同。04机载端部署轻量模型：满足基础决策需求在机载端部署4B-Instruct版本模型，负责基础语义理解与局部决策，如简单指令解析和即时障碍物识别，确保在有限算力下的实时性。05地面站运行高阶模型：支持复杂推理地面站运行8B-Thinking版本模型，用于任务复盘、复杂推理与全局重规划，利用地面强大算力处理多无人机协同调度等复杂场景。06端云协同通信协议：保障状态同步采用轻量级协议（如MQTT）实现机载端与地面站的状态同步，形成“边缘+云端”互补架构，兼顾实时性与全局优化能力。安全冗余设计：故障检测与应急响应机制多传感器数据交叉验证机制

采用多模态融合感知技术，结合高精度LiDAR、全景视觉传感器、毫米波雷达等，通过时空同步与自适应权重优化算法（如贝叶斯估计+卡尔曼滤波），实现环境信息的交叉验证，降低单一传感器故障导致的感知误差，提升复杂环境适应能力。关键帧采样与推理延迟控制策略

针对视觉-语言模型推理延迟问题，采用运动显著性检测算法挑选关键帧，仅在环境剧变或收到新指令时启动模型推理。结合缓存机制对静态场景建立视觉指纹库，实现4B参数版本在JetsonAGXOrin上约300ms级推理延迟，满足高速飞行场景需求。分级响应的避障决策架构

构建“底层SLAM实时避障+高层AI软建议”的分级响应架构。紧急避障由底层SLAM系统实时处理，Qwen3-VL等大模型提供长期路径优化建议，确保在突发碰撞风险时能毫秒级响应，同时兼顾全局路径规划的最优性。硬安全边界与置信度评估机制

明确AI输出不作为直接执行信号，将其建议转化为可行区域内的航点集合。设置硬性安全边界防止模型误判，并引入置信度评分机制，当评分低于阈值时自动切换至传统避障算法（如A*或RRT*），保障飞行安全冗余。端-边-云协同的故障恢复策略

采用端侧（机载AI基础决策）、边缘（低空基站区域级优化）、云端（数字孪生大脑全局调度）的协同架构。当单机传感器故障时，可通过边缘节点补充环境感知数据；极端情况下，云端可远程接管并重新规划安全返航路径。挑战与未来展望07技术瓶颈：复杂环境感知与实时决策的平衡

多模态数据融合的精度与效率矛盾融合LiDAR、视觉传感器、毫米波雷达等多源数据时，时空同步与自适应权重优化（如贝叶斯估计+卡尔曼滤波）需大量计算资源，导致在动态障碍物（如飞行中的其他无人机）预测中存在延迟风险。

动态障碍