交通运输行业市场前景及投资研究报告：人工智能低空经济深度融合全面赋能数智底座低空发展

证券研究报告交通运输行业/行业深度报告2026年7月30日人工智能+低空经济：深度融合全面赋能，数智底座托举低空发展目录一、“人工智能+”时代来临，AI与低空经济共舞二、飞行端侧智能化三、空域智能管理四、智能安全监管五、产业场景赋能六、相关上市公司风险提示：低空经济产业化进度不及预期风险，AI技术成熟度与安全性风险，技术路线迭代与标准不确定风险，AI算法技术落地与适航认证双重壁垒风险，数据安全、算法安全及供应链潜在风险一、“人工智能+”时代来临，AI与低空经济共舞1.1、“人工智能+”时代来临，国家战略重磅落地•

AI时代全面来临：“人工智能+”是我国推动新一代人工智能与经济社会各行业各领域广泛深度融合的国家级战略行动，是培育新质生产力、驱动高质量发展的核心抓手。2025年8月，国务院正式印发《关于深入实施“人工智能+”行动的意见》，对其作出系统部署，标志着我国人工智能发展从技术突破阶段正式进入全要素赋能、全产业渗透的规模化落地新阶段，掀起一场生产力重构升级的全新革命。•国家明确分阶段推进节奏：到2027年，率先实现人工智能与六大重点领域（科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作）的广泛深度融合，新一代智能终端、智能体应用普及率超70%；到2030年，人工智能全面赋能高质量发展，普及程度进一步提升；到2035年，整体迈入智能经济和智能社会新阶段。“人工智能

+”

并非人工智能技术的单点工具化应用，而是以AI为核心驱动力，对生产方式、生活模式、治理体系进行底层重构的系统性变革，核心体现在三个层面：1.生产力的革命性跃迁：突破传统人力、流程的物理边界，通过人机协同、智能决策、自主执行替代重复性、高复杂度、高风险的人工环节，推动生产效率、决策精度、服务能力实现量级提升，促进生产关系的深层次调整。2.全链路的深度融合：不是在现有业务流程上

“加装”

AI模块，而是推动AI

深度嵌入行业的核心逻辑与全流程环节，催生智能原生的新模式、新业态、新组织形态，实现从“能用

AI”到“默认用

AI”的范式转变。3.双向循环的发展范式：依托我国产业体系完备、应用场景广阔、数据资源丰富的优势，构建“技术创新牵引场景落地、场景需求反哺技术迭代”

的正向循环，推动人工智能与实体经济深度耦合“人工智能+”

赋能千行百业数据：政府公开文件，金元证券研究所整理1.2、AI能力与低空行业痛点高度契合人工智能与低空经济天然契合，AI是低空经济实现规模化、商业化、安全化发展的核心底层支撑，它不仅是锦上添花的效率优化工具，更是破解低空运行天然瓶颈、推动产业从零星试点迈向万亿级规模的刚需。低空空域具备环境非结构化、空中障碍物动态多变、飞行器数量繁杂、飞行任务零散碎片化等固有属性，传统人工操控飞行器、静态固化航线审批、人工兜底安全监管的老旧模式，存在难以逾越的发展上限；静态空域划分造成空域资源大量闲置、利用率偏低；海量飞行器同时升空带来的安全隐患，依靠人工手段很难全面管控。多重痛点共同限制低空经济只能停留在小范围试验阶段，难以完成从“能够飞行”到“商业变现”的规模化跨越。当下低空经济发展面临四大核心问题：（1）安全风险防控难度大低空环境具备障碍物繁杂、气流扰动剧烈、飞行主体类型混杂、飞行人员专业水平参差不齐的特征，衍生出多重叠加式安全隐患。•

从运行风险来看，大量小型无人机多为人工远程操控，操作人员操作失误、飞行器信号丢包、电池故障、恶劣天气影响极易引发坠机、碰撞事故；黑飞、违规闯入机场净空区、政府核心区域、易燃易爆厂区的行为屡禁不止，极易造成公共安全与重大财产损失。•

从监管层面来讲，依靠人工巡查、定点监测的传统监管手段，监测覆盖范围存在大量盲区，难以实现城市全域低空的实时态势感知。现有安全管控以事后查处、事故追责的被动模式为主，缺少对飞行轨迹、飞行状态、机载设备的实时风险识别与前置预警能力。海量飞行器并行运行下，人工监管力量存在量级上的天然缺口，全链路飞行行为追溯、风险主动拦截的能力不足，安全兜底压力持续走高，较高的安全容错成本直接抬高了产业放开的政策门槛。无人机“黑飞”进入机场净空区危机公共安全1.2、AI能力与低空行业痛点高度契合（2）空域资源利用效率低下我国低空空域长期沿用静态划分、固定报备、属地化割裂管理的传统管控模式，空域依照军事、城市禁飞区、空域、目视飞行空域做刚性固化划分，空域边界长期保持固定状态，无法匹配低空飞行器海量、碎片化、动态化的飞行需求。•

一方面，绝大多数可用低空资源被划为隔离空域，开放的公共空域范围狭小、点位分散、飞行时段受限，大量优质低空空间处于闲置封存状态；另一方面，传统飞行计划审批流程偏线下化、人工化，飞行申请批复周期长，临时作业、应急飞行、短途物流飞行无法实现即时通行。•

同时，全国尚未形成一体化的全域空域数字管控底座，各地飞行服务平台数据互不联通，跨城市、跨区域飞行存在数据壁垒，无法根据实时飞行器流量、气象条件、地面活动状态动态调配空域时隙与飞行航路。有限的空域资源无法实现精细化、分时化复用，空域整体承载能力被严重压低，随着无人机、eVTOL、载人飞行器数量逐年激增，空域拥堵、航线冲突频发等问题逐步显现，空域利用率偏低已经成为制约低空业务规模化铺开的首要物理瓶颈。低空经济要求对空域实现精细化、分时化、动态调整、可复用、可分层的高效利用1.2、AI能力与低空行业痛点高度契合（3）运营效率与成本矛盾突出现阶段低空各类业务普遍存在“硬件购置成本高、运维开销大、人力依赖重、单位作业收益偏低”的结构性矛盾。•

硬件端，具备自主避障、长续航能力的高端工业无人机、载人

eVTOL采购价格高昂，配套的起降场站、充电换电设施、地面指挥系统前期固定资产投入大；•

运营端，若无智能化系统加持，作业需要配置持证飞手、地面值守人员、运维检修团队，人工成本长期占据运营支出的大头。从作业效率维度，纯人工操控模式下单机作业范围、作业时长、作业精度存在明显上限，集群作业、全天候自主作业很难落地，单位时间产出有限；•

市场端，低空巡检、物流配送、植保测绘等服务的市场报价受同质化竞争压制，营收增长平缓。高额的前期投入与持续的刚性运营成本，叠加效率提升受限，导致绝大多数低空运营项目仅能依靠政府示范项目补贴维持运转，自主造血、稳定盈利的商业模式仅在少量标杆项目中实现复制，行业整体陷入效率提不上来、成本降不下去的发展困局。低空运营项目已开始小范围试点，但尚未大规模铺开1.2、AI能力与低空行业痛点高度契合（4）技术落地面临多重壁垒•

第一是机载核心技术落地壁垒，飞行器多模态感知、实时自主决策、动态全域避障、多机集群协同控制等AI算法，在真实复杂城市低空场景中的泛化能力不足，实验室理想环境下的技术方案落地实景后易受遮挡、电磁干扰、复杂气流影响出现稳定性问题；动力电池能量密度偏低、低温续航衰减、快充安全等问题，持续限制飞行器作业半径与连续工作时长。•

第二是配套基础设施壁垒，全国通用低空起降点、分布式充电网点、空地一体化通信感知网络布局稀疏，城乡区域布局不均衡，缺少统一标准的低空配套基建体系，技术能力无法依托硬件网络释放价值。•

第三是标准与适航壁垒，eVTOL载人飞行器、大型工业无人机的适航认证、机载AI系统准入标准、数据交互规范尚未完全统一，企业技术产品迭代、规模化量产需要承担较高的合规试错成本。低空密集飞行涉及大量前沿技术融合交互•

第四是数据壁垒，低空空域数据、地理三维实景数据、全域飞行监测数据分属不同管理部门，数据开放共享机制不完善，AI大模型训练、数字空域仿真平台搭建缺少足量高质量行业数据支撑，进一步延缓了智能化技术的规模化落地进程。1.2、AI能力与低空行业痛点高度契合人工智能重点在四个方面为低空经济发展深度赋能：（1）飞行端侧智能化AI整合视觉、、气象、北斗定位打造多模态环境感知体系，依托自主决策、动态避障算法赋予飞行器机载智能大脑，自主完成复杂环境下的感知研判与飞行控制。一方面减少专业飞手用工依赖、压缩运营人力成本，支撑千机编队协同作业、远距离自主飞行；另一方面借助算法优化动力输出策略，改善飞行器续航表现，拓宽各类低空作业的执行边界。（2）空域智能管理AI结合全域空域感知数据+数字孪生底座，搭建“天-空-云”一体化智能管控平台，自动完成空域动态分配、航线实时更新、飞行冲突预判消解。AI加强无人机智能化数据层面可拉升空域利用率，削减人员工作负荷，破除传统静态空域管理的效率桎梏，落地全域低空“一网统飞”管理模式，让有限空域资源可承载大批量飞行器平稳、有序运行。数据：金元证券研究所整理1.2、AI能力与低空行业痛点高度契合（3）全流程智能安全监管依托低空专属安全垂域大模型，系统可高效处理每日数十万架次的飞行数据，实现飞行风险前置预判、违规飞行主动拦截、飞行数据全链条溯源。推动监管模式由过去出事追责的被动处置，转变为“事前预警—事中实时管控—事后追踪复盘”的闭环主动防御机制，为低空经济常态化、大规模商业化运行筑牢根本性安全屏障。（4）产业场景赋能落地AI深度下沉至低空物流、工业巡检、应急救援、农林植保、地理测绘等实体经济场景：工业巡检依靠AI视觉识别自动甄别设备损伤缺陷；低空物流依托智能路径规划、运力调度，降低整体运营成本；应急救灾中

AI快速解析灾情、智能调配救援力量，应急响应时长缩短。AI让低空载体不再只是简单的空中运载工具，叠加数据分析、智能决策能力，持续拉高各应用场景的经济效益与实用价值。AI赋能空域智能管理1.3、多项“人工智能+”政策将低空领域视为重点应用下游政策文件发文单位&发布时间政策定位与低空经济直接相关内容1、在人工智能

+消费提质板块，低空飞行列为AI融合创新重点方向，支持AI与低空飞行器开展技术融合、新产品形态研发；2、支持农业无人机、工业智能无人航空器规模化普及应用；全国“人工智能

+”最高顶国务院，2025年8月

层纲领文件，所有细分行业AI政策的上位依据《关于深入实施“人工智能+”行动的意见》3、鼓励研发大模型，依托AI重塑低空运行、管控模式，是AI赋能低空经济最顶层政策背书。1、设立智慧民航专项板块，鼓励无人机、eVTOL等低空新型航空器研发制造，促进低空民用航空发展；2、依托AI实现低空飞行器自主感知、动态避障、多机集群协同运行；3、提出搭建综合交通大模型，同步覆盖低空运行全流程智能管控能力建设。《关于“人工智能

+交通运交通运输部等七部委，交通领域落实国家“人工智能

+”行动的总方案输”的实施意见》2025年9月1、将低空智能运输列入首批优先级试点场景；交通AI落地执行细则、试点

2、要求搭建

AI全域低空态势感知网络，依托算法完成航线自动规划、飞行冲突智能消解；交通运输部、民航局等五部门，2026年6月《“人工智能

+交通运输”典型应用场景创新行动方案》建设指引文件3、建设低空数字孪生平台，落地全域

“一网统飞”

管理模式；4、垂直起降航空器与无人机在短途运输、空中游览等场景应用。1、专门设立人工智能

+

低空安全章节，布局低空障碍物

AI识别、飞行器主动避障、飞行故障预判预警技术；2、利用

AI构建无人驾驶航空器冲突预测模型，实现有人机、无人机空域协同运行；3、通过大模型实现飞行事前预警、事中管控、事后溯源的闭环监管；《关于推动“人工智能

+

民

中国民用航空局，

民航体系内部

AI智能化专航”高质量发展的实施意见》

2025年12月

项管理文件1、以无人化、智能化为核心主线，攻关机载多模态感知、自主飞行、动态避障、集群协同控制等

AI核心技术；2、支持工业无人机、货运无人机、eVTOL、飞行汽车等智能通航装备研发与适航取证；3、围绕农林植保、应急救援、测绘巡检、城市空中交通等低空作业场景，推动智能装备规模化落地应用。《通用航空装备创新应用实

工信部、民航局等四

低空飞行器硬件装备智能化施方案（2024—2030年）》

部委，2024年3月

升级的产业政策1、为低空经济应用提供通感算智一体边缘计算服务；信息通信网络、算力底座智

2、依托

5G-A通感融合基站，搭建城市全域低空监测网络，完成飞行器轨迹实时追踪；《“人工智能

+信息通信”创新发展实施意见（2026—

工信部，2026年6月2028年）》能化升级顶层文件3、推动云端

-边缘端协同

AI推理，满足飞行器机载

AI低时延运算需求；4、为低空空域调度平台、飞行器空地数据传输提供通信、算力底层支撑能力。1、量化目标：2027年低空公共航路地面移动通信覆盖率≥90%，依托AI+北斗提升低空定位导航精度；工信部、民航局等五

低空专属通信、感知、算力

2、利用AI优化多源探测协同系统，强化黑飞识别、违规飞行轨迹追踪与主动防御能力；《关于加强信息通信业能力建设

支撑低空基础设施发展的实施意见》部门，2026年2月基建专项配套政策3、以AI、云计算技术搭建全域低空智能网联系统，为空域管理平台、飞行器远程管控提供算力底座；4、统一低空通信模组、感知设备技术标准，补齐低空经济智能化运行的通信基建短板。数据：政府公开文件，金元证券研究所整理二、飞行端侧智能化二、飞行端侧智能化低空飞行器的端侧智能化，核心是实现“感知-认知-决策-执行”闭环在机载端的本地化运行，其架构呈“端-边-云”三级协同，其关键转变在于：传统无人机依赖地面站遥控或预编程航点，端侧仅做姿态稳定；而智能化端侧则要求在断网、高动态、复杂电磁环境下独立完成环境理解与实时决策。数据：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理2.1、多模态环境感知与精准识别在数据

方面，低空多模态数据融合主要整合三类核心数据：低空遥感数据（无人机

/卫星的多光谱、高光谱、LiDAR、热红外等传感器数据）、地面感知数据（气象、温湿度、结构健康监测、交通流量等实时传感器数据）和业务专题数据（规划、土地、人口、经济等属性数据）飞行器感知模态矩阵模态传感器类型感知维度核心作用视觉/光谱可见光相机、事件相机纹理、色彩、语义目标识别、场景理解、二维码/标志物定位深度/几何射频/测距热红外激光（LiDAR）、固态激光、4D成像三维点云、精确测距径向距离、速度、方位角、俯仰角热辐射分布障碍物三维轮廓、地形测绘、SLAM建图全天候探测、速度测量、穿透雨雾夜间探测、生命体征识别、热源定位毫米波长波红外（LWIR）、中波红外（MWIR）声学麦克风阵列、超声传感器气象传感器、电磁场探测器GNSS、IMU、磁力计声源方位、频谱特征近场避障（超声）、异常声响检测（机械故障）飞行安全边界判断、电磁环境感知全局定位、航迹推算电磁/气象时空基准温湿度、气压、风速、电磁干扰位置、姿态、航向多模态时空对齐与融合架构端侧AI需解决"同一物理目标在不同模态中的时空对齐"问题：•

硬件级同步：通过FPGA/SoC实现多传感器微秒级时间戳同步（PTP协议），统一IMU时钟基准•

空间标定：离线联合标定获取相机-LiDAR-（应对机载振动导致的标定漂移）的外参矩阵；在线利用深度学习做外参自校准•

数据级融合（EarlyFusion）：将视觉图像、点云、热红外图投影到统一的三维体素（Voxel）或鸟瞰图（BEV）空间，构建多模态张量输入神经网络•

特征级融合（MidFusion）：各模态独立提取特征（如视觉CNN、点云PointNet++、Azimuth特征），在BEV空间或Transformer架构中进行跨模态特征交互Range-•

决策级融合（LateFusion）：各模态独立输出检测结果，通过D-S证据理论或学习型融合策略生成最终置信度技术趋势：当前端侧主流向BEV+Transformer架构演进，将多模态数据统一映射到鸟瞰图空间，通过跨模态注意力机制实现自适应融合权重分配。低空多模态数据融合的全方位感知示意图数据：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理2.1（1）静态障碍物检测与语义分割AI分析需应用计算机视觉和机器学习技术，实现障碍物检测、目标跟踪、点云分割。端侧精准识别主要包含静态障碍物检测与语义分割和动态目标检测与轨迹预测，还可以对特定场景进行针对性加强理解与异常检测。（1）静态障碍物检测与语义分割•

任务：识别建筑物、高压线、树木、塔吊等静态威胁，并赋予语义类别。•

视觉分割：采用以轻量化骨干（MobileViT/EfficientNet-Lite）构建的分割网络及YOLOv8-seg实例分割模型，在机载芯片上（如NJetson

Orin/地平线旭日/高通RB系列）实时运行•

点云分支：使用RangeNet++、SalsaNext等基于距离图像的语义分割，或PointPillars、CenterPoint等三维目标检测•

跨模态增强：视觉提供纹理语义，LiDAR提供精确几何，融合后解决"视觉歧义"（如玻璃幕墙、透明障碍物）和"点云稀疏"（远距离目标）问题机载多模态智能感知流程2.1（2）动态目标检测与轨迹预测（2）动态目标检测与轨迹预测•

任务：识别其他飞行器、鸟类、地面车辆、行人，并预测其未来轨迹，为自主避障提供碰撞时间（TTC）计算依据，满足<100ms决策延迟要求•

多目标跟踪（MOT）：采用多目标跟踪算法（ByteTrack/DeepSORT），结合检测框与外观特征进行跨帧关联•

4D成像赋能：毫米波直接输出目标径向速度，补偿视觉在深度估计上的误差，缓解雨雾、光照不良等视觉退化场景下的跟踪难题•

轨迹预测网络：基于Social-LSTM、VectorNet或Transformer的轨迹预测模型，输入目标历史轨迹与场景语义地图，输出未来3-5秒的多模态轨迹分布动态感知与预测流程2.1（3）对特定场景的针对性加强理解与异常检测（3）对特定场景的针对性加强理解与异常检测•

任务：识别特定低空场景中的关键要素与风险模式。•

轻量化微调：低空经济的AI算法难以通过“一个模型打天下”，须建立“基础预训练模型

+场景适配层

+在线学习机制”的分层体系。基础模型提供通用感知能力（如

BEV+Transformer），场景适配层针对特定任务做轻量化微调（LoRA/Adapter），在线学习机制则通过每次飞行数据持续优化局部模型，以更加适配指定的下游应用场景。典型场景关键要素核心风险模式算法适配焦点城市物流配送电力线巡检应急救援动态障碍物、玻璃幕墙、阳台、风切变

碰撞、GNSS失效、尾流扰动多模态动态权重、小目标增强、风扰补偿细线语义分割、导线跟踪、拍摄质量闭环跨模态融合（红外+可见光）、异常检测、烟雾穿透多光谱指数+深度学习、地形跟随、处方图生成超分辨率、注意力聚焦、时序差异检测多源定位融合、着陆点适当性评估、意图推断导线、绝缘子、防震锤、安全距离受困人员、火源、烟雾、倒塌建筑作物行、病斑、杂草、田间障碍物裂缝、锈蚀、形变、渗漏细线碰撞、电磁干扰、拍摄角度偏差低能见度、通信中断、环境剧变漏喷重喷、药害、地形碰撞农林植保基础设施诊断城市空中交通毫米级缺陷漏检、光照不均、遮挡空中碰撞、GNSS拒止、紧急着陆合作/非合作目标、城市峡谷、起降场2.2、自主决策与动态避障••如果说多模态环境感知是无人机的“眼睛”，负责“看清环境”，那么自主决策与动态避障就是无人机的“大脑与神经中枢”，负责“判断趋势、输出动作”，是低空经济规模化商业化必须突破的核心技术门槛。无人机低空避障的核心难点在于：低空环境非结构化、障碍物类型多样、气象条件复杂、端侧算力与时延约束极强，且容错率极低

——

一旦避障失效便会直接引发事故，因此对端侧的AI决策能力提出了较高的要求，端侧AI决策并非仅依靠单一模型，而是"战略-战术-执行"三层协同的体系。AI在其中的核心价值，是将传统基于规则、仅能应对预设场景的飞行控制体系，升级为可适应非结构化、动态化低空环境的智能决策体系，在保障安全底线的前提下，大幅提升飞行自主性、作业效率与场景适配能力。涉及核心技术包含深度强化学习（DRL）、神经运动规划（NeuralMotionPlanning）、模型预测控制（MPC）+AI增强等。数据：亿欧智库，金元证券研究所整理2.2（1）神经运动规划（1）神经运动规划（NeuralMotionPlanning）•

底层逻辑：不同于DRL的“试错学习”，神经运动规划用监督学习模仿传统规划器的输出，用神经网络直接近似传统运动规划器的输入输出关系，或学习规划过程中的关键子模块，牺牲一定完备性/最优性保证为代价，但换取更快的推理速度。训练在平台层完成，推理可部署于无人机端侧。•

信息输入：当前环境感知编码（点云/栅格/图像）+起点+终点•

信息输出：未来N个时间步的轨迹点序列（或参数化曲线）•

训练数据：传统RRT*、MPC在仿真中生成的最优轨迹，较为依赖大量的专家路径数据演示•

优势：推理极快（单次前向传播），当RRT*需要数百毫秒时，神经运动规划器可在10-50毫秒内生成近似最优路径，满足硬实时避障需求，适合端侧实时部署神经运动规划工作原理•

代表工作：MPNet（MotionPlanningNetwork）、NeuralRRT2.2（2）深度强化学习（2）深度强化学习（DeepReinforcementLearning）•

底层逻辑：DRL是深度学习与强化学习融合的通用算法范式，以马尔可夫决策过程（MDP）为基础框架，核心逻辑是让智能体在环境中通过“试错交互”学习策略，根据环境反馈的奖励信号持续优化动作序列，最大化长期累积收益。训练在平台层完成，推理可部署于无人机端侧。•

状态输入：飞行器自身状态（位置、速度、姿态、角速度）+局部障碍物状态（相对位置、速度、尺寸）+局部地图（栅格化/BEV特征）•

动作输出：离散动作（悬停、左转、右转、爬升、下降、加速、减速）或连续动作（三轴速度指令、偏航角速率）•

奖励函数设计：正奖励：向目标靠近、保持安全距离、能量节省、飞行平稳（低加速度）负奖励/惩罚：碰撞、进入禁飞区、过度机动、偏离航线过远•

主流算法：PPO：策略梯度方法，训练稳定，适合连续控制SAC：最大熵框架，鼓励探索，适合高维动作空间DQN：离散动作空间，适合行为选择（如FSM中的状态切换）2.2（3）模型预测控制（MPC）+

AI增强（3）模型预测控制（MPC）+AI增强AI进行增强优化•

底层逻辑：MPC是工业界成熟的轨迹跟踪方法，其核心原理在于滚动时域优化：在当前时刻，基于动力学模型预测未来N步的系统响应，求解一个带约束（避障、动力极限）的优化问题，只执行第一步控制量，下一时刻重新预测优化•

AI增强点：①

神经网络动力学模型：用深度学习替代传统刚体动力学方程，自动适应风扰、负载变化②

学习型代价函数：传统MPC用人工设计的二次代价函数，AI可通过逆强化学习（IRL）从专家演示中学习更优的代价权重•

优势：具备滚动优化、硬约束、理论可解释性的安全特性，相对更易通过适航认证MPC+AI增强工作示意图2.3、多机集群协同如果说单机自主智能解决了

“单架无人机能不能自己飞”

的问题，那么多机集群协同与自愈则解决了

“一群无人机能不能高效、可靠地一起干”

的问题，是低空经济从“单机零散作业”迈向“规模化集群作业”的核心技术门槛。AI的核心价值在于推动集群从“集中式遥控的提线木偶”升级为“分布式自主协同的有机系统”，既实现任务效率随集群规模线性提升，又通过自愈容错机制保障系统级可靠性，破解传统集群“中心节点故障即整体瘫痪、单机失效即任务中断”的核心痛点。•

大幅提升作业效率与覆盖能力：多架无人机可以同时对不同区域进行作业，或对同一区域进行分块并行处理，从而成倍提高覆盖效率，缩短任务完成时间。•

通过任务并行与接力延长整体作业时间：通过任务规划，可以让部分无人机在其他无人机能源耗尽前接替任务，或利用无人机智能基站实现自动充电/换电，从而实现近乎连续的长时间作业。•

实现多传感器、多角度协同观测：异构无人机可以搭载不同类型的传感器，从不同高度、不同角度对同一目标或区域进行协同观测，获取多模态、多视角的遥感数据，有效克服遮挡问题，提升信息完整性和解译精度。•

增强系统鲁棒性和任务可靠性：在多无人机系统中，即使部分无人机发生故障，其余无人机仍可通过任务重规划继续执行任务，从而提高整个系统的容错能力和任务成功率。•

优化资源配置：可以根据任务的具体需求

(如精度、范围、时以遥感场景为例，多无人机集群协同构建的立体观测网络效性)，灵活调配不同飞行性能、不同载荷配置的无人机，实现资源的最优利用。数据：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理2.3（1）智能任务分配与全局调度（1）智能任务分配与全局调度任务分配是集群协同的顶层核心，决定了整体作业效率与资源利用率。AI推动任务调度从“集中式离线规划”向“分布式在线动态分配”升级，主流技术路径分为两类：•

从静态规划到动态自适应多智能体强化学习（MADRL）：以

QMIX、MADDPG等算法为核心，将每架无人机作为独立智能体，通过局部信息交互自主协商任务分配，无需全局中心节点。训练后的集群可根据各机位置、电量、负载能力动态认领任务，应对突发新增任务、空域临时提升一个数量级。等动态场景的响应速度比传统集中式方案•

AI增强的市场拍卖机制：将任务分配转化为分布式拍卖问题，故障节点释放的任务、新增任务立即触发反向拍卖，周边无人机以距离、能耗、作业能力为权重自主竞价，实现任务的快速接管与重分配。该机制已在应急搜救、巡检集群中广泛应用，任务重分配时延可压缩至百毫秒级。QMIX算法下实现总体任务（Qtot）最优2.3（2）分布式协同感知（2）分布式协同感知单机感知存在视角盲区、距离受限、易被遮挡的天然短板，AI驱动的多机协同感知可整合多节点传感器数据，构建全域统一态势，大幅提升感知精度、覆盖范围与抗干扰能力，实现1+1>2全域感知能力。•

多视角协同目标检测与补盲：针对低空楼宇遮挡、目标隐蔽的问题，多架无人机从不同视角同时观测同一目标，通过AI特征融合算法整合多视角检测结果，有效消除遮挡盲区。•

集群统一BEV态势构建：各无人机将本地感知的

BEV（鸟瞰视角）特征通过低带宽链路共享，AI融合算法将多源BEV特征拼接为全域统一的空域态势图，每架机都可获得远超自身传感器范围的全局环境认知。该技术是低空物流集群、安防集群的核心支撑，可让集群提前感知数公里外的空域拥堵、障碍物与禁飞区，提前规划避让策略。•

联邦学习驱动的集群模型协同：进化集群内各无人机在本地作业场景中采集数据、微调

AI模型，通过联邦学习机制仅共享模型参数、不上传原始感知数据，既保护数据隐私，又实现“一架机学到、全集群升级”的协同进化。随着作业时长增加，全集群的目标识别精度、环境适配能力会持续提升，尤其适用于跨区域巡检、大范围安防等数据分布不均的场景。横向联邦学习示意图2.3（3）智能编队控制与冲突消解（3）智能编队控制与冲突消解编队控制是集群协同的底层执行基础，AI解决了传统规则式编队动态适应性差、抗干扰能力弱、易陷入局部冲突的问题。•

编队智能保持与动态变换：传统编队控制以领航

-跟随法、人工势场法为主，参数固定，应对侧风、楼宇扰动时稳定性差，队形切换生硬。AI增强方案采用分布式模型预测控制（DMPC）+强化学习的混合架构：①

分布式MPC保障编队的基础稳定性与约束满足，实现密集编队的精准保持；②

强化学习实时优化编队构型，根据空域条件、任务需求自动切换楔形、阵列、分散搜索等多种队形，过渡过程平滑无碰撞。•

分布式冲突自主消解：在无中心调度的场景下，集群内无人机相遇、交叉作业时极易发生碰撞。基于深度强化学习的分布式避障策略，让每架无人机仅依靠自身感知与邻居状态信息，即可自主决策避让动作，自动化解飞行冲突。•

异构集群协同控制：针对大型工业无人机、小型巡检无人机、中继无人机组成的异构集群，AI协同算法可适配不同机型的性能差异，自动匹配任务分工与飞行节奏，实现侦察、作业、中继多机型的无缝协同，构建“察-作-通”一体化的集群作业体系。分布式MPC（DMPC）框架示意图三、空域智能管理3.1、数字空域与态势感知：构建低空运行的实时数字底座•低空数字孪生是空域的静态数字化底盘，解决“空间有统一标准、环境有完整复刻”问题；全域态势感知是空域动态信息采集网络，解决“全域看得见、动态抓得住”问题。二者共同解决低空空域

“看不见、摸不清、算不准”

基础痛点，是所有航线规划、统一管控的前置支撑。•

AI助力真实空域数字化、动态化复刻。传统空域信息以静态图纸、固定禁区标注为主，地形建筑、气象环境、电磁信号、临时管控区域等动态要素无法实时更新。通过AI对多类环境、地理、管控数据进行智能整理、纠错和实时更新，能够搭建与真实低空场景实时同步的数字空域镜像，让物理空域的各类约束、环境状态全部可视、可查、可动态更新，解决传统空域信息滞后、要素不全、状态静态的痛点。•

AI实现空域目标与状态的智能识别研判。依托智能识别算法，系统可自动区分空域内的各类飞行器、障碍物目标，甄别常规合规飞行与陌生闯入目标，同时自主判断空域繁忙程度、环境优劣、通信信号状态等整体运行态势。相较于传统人工研判模式，AI能够大幅降低人力成本，提升空域状态判断的准确性与效率，实现从“堆砌数据”到“看懂态势”的升级。空域图

01设施图

02产业图

03场景图

04•

获取高精地理空间数据•

GIS分析环境因素•

规划地面基础设施布局•

遥感与空间大数据技术•

建立低空经济产业图谱•

可视化上下游产业生态•

基于实景三维划定空域•

分层分道划设航线体系•

特定任务定制航线•

需求区域细化建模•

特定场景空间服务图谱•

多领域精准应用资料：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理3.1（1）统一时空基准体系，精细化空域建模（1）核心能力一：统一时空基准体系，精细化空域建模统一时空基准是整套孪生底座的前置硬性标准，全部依据北斗地基增强网络搭建“一张网、一标准、一平台”架构，依托AI算法完成多源时空数据的配准、纠偏与网格化智能划分。•••统一坐标标尺：全域采用2000国家大地坐标系+北斗厘米级定位服务，所有飞行器、系，依靠AI空间匹配算法自动修正多设备、多部门数据坐标错位问题，杜绝航线误判冲突；空域网格化编码：依托北斗网格码将低空垂直分层、水平分块切分为标准化微网格，每个网格绑定空域权限、风险等级、最大飞行容量，引入AI风险分级模型，结合地形、建筑密度、历史飞行事故数据自动对网格评级，实现空域资源智能化量化管理；、地面设施、三维模型共用同一套时空坐标全域时间同步：全部感知终端、飞行器统一授时，保障影像、保证多源感知数据融合无时间偏差。、航迹数据时间戳对齐。AI时序对齐算法清洗异构设备时间误差，北斗地基增强网络系统：为区域提供北斗高精度差分定位服务，通过全域布设连续运行参考站，实时解算卫星定位误差并对外推送修正信息，将终端定位精度由米级提升至厘米级。一方面提供统一高精度地理基准，搭配AI三维重建算法实现实景三维模型

1:1高精度虚实自动匹配；另一方面支撑空域内飞行载体高精度位置上报，是空域数字建模与低空态势感知的时空基础设施。城市数字孪生底座

地形DEM、城市精细三维模型、固定障碍物（高楼、高压线、塔吊）

分层空域边界（适飞区/管控区/禁飞区、低空公共廊道）静态基底动态图层

全域起降场站、机巢、低空/通信基站等基础设施

空域管理规则、风险分区、管控预案静态规则图层实时气象（风速、能见度、湍流）、电磁干扰区、地面人流车流、飞行器4D航迹、临时管控区域（赛事、工地、敏感区域）。资料：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理3.1（2）动态化环境感知（2）核心能力二：动态化环境感知动态化环境感知的核心目标是实现对低空飞行环境中各类静态和动态要素的实时、精准、全方位监测与理解。这包括但不限于气象条件(风、雨、雪、雾、湍流)、固定障碍物(建筑物、高塔、电线)、移动障碍物(其他飞行器、鸟类)、地面活动(车辆、行人)、电磁干扰情况等。这种感知能力是保障飞行器自主飞行安全、实现空域高效协同运行的关键，而AI算法是消解多源数据噪声、识别复杂目标、预判空域风险、完成全域态势解译的核心算力引擎。•多源传感器融合:集成机载传感器(如视觉摄像头、毫米波、ADS-B地面站、场面监视、激光

LiDAR、红外传感、高清监控摄像头、声学传器)与地面感知设备(如气象感器)。依靠AI特征级融合算法对AI赋能城市低空全域感知网络示意图、光电、声学、定位多源异构数据做时空配准、杂波滤除、盲区补全，综合不同传感器的优势，弥补单一传感器的探测死角、天气失效缺陷，形成完整、高置信度的全域环境感知图谱。•人工智能分析：以计算机视觉、深度学习、时序预测、多目标跟踪算法为整套感知体系的核心大脑，覆盖目标识别、环境建模、行为研判、风险预警四层能力：视觉感知：AI图像检测/分割算法区分建筑物、高压线、飞鸟、合规无人机、黑飞飞行器，①②③④目标分类准确率可达98%以上，大幅降低虚警干扰；点云解析：基于深度学习对点云数据做实例分割，实时解析LiDAR点云，动态更新周边障碍物实景模型，支撑飞行器自主避障；航迹智能研判：多目标追踪算法持续锁定全域飞行器4D轨迹，结合行为特征AI判别飞行意图，自动识别越界、盘旋、异常机动等违规行为；环境预测：依托机器学习模型解析全域气象、湍流、电磁干扰数据，短时预测空域恶劣环境变化，提前推送预警信息。•实时数据传输与处理:依托5G/5G-A、卫星通信等高带宽、低延迟的通信技术，确保机载环境数据实时回传至管控云端。采用“边缘端轻量化

AI预处理

+云端大模型深度分析”分布式架构：边缘

AI就地完成目标初筛、数据压缩，削减无效传输流量；云端

AI对海量全域感知数据做批量解译、态势拟合、全域一张图渲染，输出可直接用于飞行器自主决策、空管实时监管的标准化态势信息。资料：《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理3.2、动态航线规划与冲突消解——空域智能调度动态航线规划与飞行冲突消解：动态航线规划是指综合飞行任务、可用空域、气象环境、障碍物分布、飞行器性能及实时交通流等信息，对飞行航迹进行生成与持续优化；飞行冲突消解则是在预测航迹存在安全间隔不足或空域资源竞争时，通过调整航路、高度、速度、时隙及通行优先级等方式恢复安全间隔。前者侧重空域资源的配置与运行效率优化，后者侧重飞行冲突的识别与处置，二者共同构成低空交通实时调度的核心闭环，整套闭环依靠强化学习、启发式智能优化、时序预测

AI完成自动求解、实时迭代与自主冲突处置。（1）动态航线规划——四维动态航线规划体系相较以固定空间路径为主的传统航线规划，低空交通进一步引入时间维度，形成“三维空间+时间”的四维航迹规划体系，其运行逻辑可概括为“空间分层、时序组织、动态调整”。依托DRL完成四维空间的全域网格化分配与分时占用求解：•••空间分层解决不同飞行活动在空间上的有序分布问题，时序组织解决多架飞行器对同一空域资源的时间竞争问题，动态调整则用于应对气象、空域和交通状态变化。三者共同实现低空空域资源在空间和时间两个维度上的精细配置。动态航线规划不是简单“寻找最短路综合成本

＝不同任务场景由AI自适应权重分配模型自动动径”，而是多约束、多目标的时空资源配置，依靠深度学习+智能进化算法完成全局最优解搜寻。态赋值。例如，安全风险权重×航路风险＋时效权重×飞行时间＋能耗权重×能源消耗＋容量权重×拥堵程度＋稳定性权重×航迹调整幅度•••城市物流关注履约时间和单位配送成本；电力巡检关注任务覆盖率和续航能力；医疗转运及应急救援则更高倾斜时效权重。核心优化目标：整套多目标综合成本函数作为强化学习奖励函数的核心依据，AI以最小化综合成本为目标持续迭代优化航迹方案：AI赋能使航线规划从统一固化规则升级为场景风险、任务等级、空域拥堵状态的差异化智能调度。资料：

《低空经济与时空智能协同驱动新质发展白皮书》，金元证券研究所整理3.2（1）动态航线规划动态航线规划可分为战略层与战术层，两者分别处理飞前冲突和飞中风险。按照决策发生的时间尺度，动态航线规划可分为战略规划和战术规划。对比维度实施阶段战略规划飞行前战术规划飞行过程中核心思想时间尺度提前避免形成冲突分钟至小时应对计划之外的突发变化毫秒至秒①汇总时间窗口内飞行计划，将任务映射至数字空域；②结合航段容量、起降时隙、任务优先级、三维风险地图生成推荐航迹；①遭遇强风、临时禁限飞、通信恶化、障碍物入侵、航空器偏航等突发情况，依托实时态势重新评估航迹安全，开展局部路径调整；②采用滚动优化，持续预测态势、局部修正航线工作逻辑③对时空重叠的飞行计划提前预解冲突调整起飞时间、分配不同高度层、

局部航迹微调，优先保障安全间隔，尽修改航路节点、调整通行次序

可能减少航迹改动与任务延误冲突处置手段四维航迹、起降时隙、可使用高度层、备降路径、放行条件主要输出局部修正航迹、实时安全间隔处置方案运算实时性、控制可靠性优化侧重点全局运行效率、空域资源配置运行产生的实际航迹、告警事件、处置结果，更新三维风险地图、航段容量、冲突高发区域，支撑战略规划迭代接收战术运行反馈，持续迭代优化规划方案分层级的动态航线规划层级关联运行特征事中动态滚动优化，不重新生成全局航线事前全局规划资料：

《低空航行系统实时风险管理能力构建：概念、挑战与技术》，金元证券研究所整理3.2（2）飞行冲突消解（2）飞行冲突消解AI驱动赋能•冲突消解则是在动态规划基础上设置的安全闭环。当系统预测两架或多架飞行器可能突破安全间隔，或者在航路节点、起降点、时隙等资源上发生竞争时，需要依次完成冲突探测→风险告警→处置决策→空中动作→结果反馈，整条处置链路的耗时，应小于两机的最小遭遇时间。•••冲突预判：基于LSTM时序预测模型，根据全域飞行器历史航迹、飞行意图，提前数十秒预判潜在航路交叉、高度重叠、安全间隔不足等飞行冲突；分布式强化学习冲突解耦：多智能体强化学习

(MARL)对冲突飞行器协同调整航线、飞行高度、飞行速度、通行时隙，无需人工介入自主消解冲突；•从实施方式看，冲突消解需要地面集中调度与机载自主避障协同。地面平台掌握更大范围的空域资源、飞行计划和交通流信息，适合进行全局航路和时隙调整；飞行器则依靠机载感知与控制系统处理临时障碍物、突发气象和近距离危险。分级处置策略：常规拥堵采用平滑航迹微调，高危冲突执行主动避让/悬停等待策略，结合任务优先级保障应急飞行器优先通行。行业场景落地低空物流：物流无人机动态航线系统，动态匹配订单、空域、气象，单均配送成本降低应急搜救：数字孪生/仿真快速推演灾载人eVTOL：通勤航线动态调度，跨城区地形、风场，生成无冲突救援航线，物资投送时间压缩航线拥堵规避、运力动态调配3.3、低空空域“一网统飞”：从分散审批走向平台化协同“一网统飞”的提出源于城市低空应用由单一任务向多部门、多场景拓展。城市治理涉及城管、交通、水务、环保、消防等多个部门，原有分散运行模式容易形成信息孤岛，同时面临监管范围大、人工巡查视角有限、传统感知设备存在盲区以及应急响应手段不足等问题。因此，“一网统飞”并非单一的飞行控制功能，而是通过统一资源、统一调度和数据共享，形成覆盖任务发起、飞行执行、数据回传及事件处置的完整运行体系。“一网统飞”运行框架一张图空域、航路、设施、气象目标与风险统一呈现一个窗口计划申报、审批、放行任务调度与服务订阅行业监管方：规则、准入、安全审查交通管理服务方：空域、流量、冲突处置一网统飞平台一张网通、导、监、算、气象空——天——地——机互联一本台账主体、航空器、轨迹事件全链条可追溯统一接入

统一规则

统一调度

统一监管

统一服务运营参与方：任务、运力、履约管理基础设施服务方：通导监、起降、气象一套标准数据/接口/身份/安全一组模型风险/容量/路径/冲突“一网统飞”的价值：•••提升空域利用率。通过动态开放、垂直分层和时隙管理，使同一片空域在不同时间服务不同任务，减少固定隔离造成的资源闲置降低运营成本。统一平台可减少运营商分别对接不同部门和系统的成本，并通过航线优化、设施共享和规模化调度提升航空器利用率强化监管能力。实际航迹与飞行计划实时比对，异常行为自动识别，事后事件能够追溯至具体主体、航空器、任务和处置过程，推动监管由抽查式向连续式转变四、智能安全监管4.1、安全垂域大模型：构建低空安全智能中枢••随着无人机、eVTOL等航空器数量增加，低空安全风险将由单机故障和违规飞行，扩展至多机冲突、空域拥堵、通信失链、导航欺骗、数据篡改及跨系统风险传播。监管对象也不再局限于航空器，而是覆盖运营主体、飞行器、基础设施和飞行活动等全链条要素。低空安全监管同时具有专业性、实时性和强责任属性。模型不仅要理解自然语言形式的法规、标准和应急预案，还需要处理航空器航迹、传感器读数、遥感影像、气象信息和空域结构等时空数据。通用大模型虽然具备较强的语言理解和知识归纳能力，但直接用于低空安全监管仍面临行业知识深度不足、知识时效性低、时空推理能力不足等限制。•低空安全垂域大模型的知识底座应至少包括法规标准库、运行规则库、适航及设备资料库、事故事件案例库、应急预案库五类内容。在知识底座上，可通过检索增强生成，即RAG，将用户问题与最新法规、运行规则和设备资料实时关联；通过知识图谱建立航空器、运营商、空域、任务、设备和风险之间的关系；通过多模态模型处理航迹、图像、视频、点云和文本；通过智能体调用GIS分析、轨迹预测、风险评估、容量计算和应急调度等专业工具。低空安全垂域大模型的知识资源库资源库分类法规标准库核心内容国家和地方低空管理政策、空域使用规则、安全标准和数据安全要求飞行申报、审批放行、安全间隔、路权分配、应急处置和信息通报机制运行规则库适航及设备资料库

航空器性能边界、维护手册、故障代码和设备技术参数事故事件案例库应急预案库历史偏航、失链、碰撞、迫降和违规飞行事件及其处置结果气象灾害、通信中断、导航异常、动力故障和大规模交通拥堵等场景的处置程序4.2、全链路安全追溯低空安全事件往往不是由单一因素导致。例如，一次偏航可能同时涉及飞行计划设置、导航信号质量、气象变化、平台指令和航空器执行等多个环节。若数据分别存储于运营商、飞行服务平台、通信服务商和监管部门，事故发生后将难以还原完整过程。全链路追溯体系需要把“谁在飞、什么航空器在飞、获批飞什么任务、实际如何飞、系统如何处置”关联到同一时间轴和空间坐标系中。全链路安全机制贯穿“源头防控—过程管控—后端保障—动态优化”全过程：①

在数据采集端，利用多模态识别模型自动识别人脸、车牌、敏感坐标等信息，并根据场景风险动态完成分级脱敏；②

在数据处理端，通过联邦学习、隐私计算和智能权限控制，实现跨主体数据“可用不可见”；③

在存储与溯源端，AI持续监测异常访问和数据篡改行为，结合加密存储、可信时间戳及知识图谱还原完整事件链；④

在动态优化端，大模型根据威胁变化、法规更新及企业成本承受能力，自动调整防护等级和合规策略；⑤

最终形成技术防护、管理治理与成本优化协同联动的数据安全闭环。低空经济

AI大模型数据安全与隐私增强协同框架资料：《低空经济背景下AI大模型的数据安全与隐私增强机制研究》，金元证券研究所整理4.3、风险预测与主动防御：形成闭环式安全治理•传统低空监管主要回答“当前是否违规”，智能安全监管则需要进一步回答“风险是否正在形成”。人口密度障碍物分布气象条件通信覆盖备降点任务载荷航空器可靠性等模型计算依据做出建议依据调整航线空中碰撞风险地面第三方风险任务失效风险飞行前缩小作业范围增加冗余设备延后飞行等飞行中模型实时接收航空器状态、气象和空域流量变化，动态修正风险等级将险情、异常操作和近失事件纳入训练数据，识别传统事故统计难以发现的早期风险特征飞行结束后•风险识别之后，还需构建与风险等级匹配的主动干预机制：风险等级低风险系统处置动作协同处置对象仅飞行器运营人闭环流程节点自动向运营主体推送提醒，引导其修正航线、下调飞行高度、自查机载设备风险发现→影响评估→策略生成→人工确认→执行反馈输出处置建议，包含指令返航、就近备降、调整飞行时隙、限制同空域新增飞行器投放风险发现→影响评估→策略生成→人工确认→执行反馈中风险飞行器运营人、空域管理平台高风险（失联

/严重

启动跨部门应急体系，同步推送飞行器身份、偏航

/闯入敏感区）

实时航迹、标准化处置方案风险发现→影响评估→策略生成→人工确认→执行反馈公安、空管、民航、地方低空管理部门五、产业场景赋能5.1、AI+低空物流传统物流具备诸多痛点，尤其在偏远地区、海岛山丘等长尾场景的作业效率、经济效益上都有诸多亟需解决的地方，包括末端成本高企、物理边界约束、规模化调度困难等，制约了行业的扩张。低空物流本质并非简单的“无人机送快递”，而是以AI为核心驱动力，构建“干线运输—支线转运—末端配送”全链路空中物流网络，系统性破解传统物流的成本、时效与覆盖边界三大核心痛点。实战案例：京东物流在四川资中开通78条无人机进村配送航线资中县位于四川盆地中部，85%土地为丘陵，复杂地形导致传统快递配送效率低下，车辆需沿江绕行数十公里或经窄村道翻山；部分山区村超出常规配送范围，快递员仅每三日抵达一次；无服务站村庄需村民自行赴镇取件。京东物流在当地开通78条无人机配送航线，覆盖4个镇的78个行政村，服务5.5万村民。无人机从镇级配送站起飞，最快7分钟即可飞越山区，把快递送到村里的取件点。这也是当前国内规模最大的无人机进村配送网络，并首次在618期间助力乡村快递揽派。技术应用•多模态融合感知与AI智能避障：端侧轻量化深度学习模型实时识别障碍物类型，区分静态杆塔、林木与动态飞鸟，输出差异化避障策略AI智能航线规划与动态优化：自研智能航线引擎，整合地形高程数据、实时气象、空域规则、订单分布，通过机器学习算法求解最优路径，兼顾能耗、时效与安全京东无人机开展乡村物流配送••多机集群智能调度系统：基于强化学习算法的分布式调度体系，针对镇级枢纽的多机编队，自动完成订单分配、航线错峰、任务接力，无需人工逐架管控成效与价值：•提效：一改以往“快递进村两三天，来回将近一小时”的乡村物流困境，单架无人机每天可飞行25到30趟，7-8小时就能跑完所有村子，日均配送快递超300单。••降本：末端单票配送成本较人工模式大幅降低。长尾场景触达：填补山区、海岛等地面物流盲区，提升基层医疗与应急保障能力。资料：公开新闻，金元证券研究所整理5.2、AI+低空工业巡检工业巡检具有任务频率较高、航线相对固定、缺陷类型相对明确以及经济效益容易量化等特点，无人机能够替代人工进入桥梁底部、高层建筑、输电线路、油气管道和隧道等高风险区域，而AI则将巡检过程由“拍摄后人工查看”升级为缺陷自动识别、空间定位、等级评估和维护决策。实战案例——杭州市城市高层建筑无人机自动巡检：传统高空巡检依赖吊篮、人工悬吊作业，高空作业风险高、隐蔽点位易漏检，同时存在人工成本高、效率低、隐患排查滞后等问题，无法适配现代化城市安全运维需求。杭州纵横通信股份有限公司依托低空经济创新技术，实现无人机全自主智能巡检场景落地，有效革新传统高空巡检运维模式。技术应用——依托全栈自研核心技术，精准破解传统巡检各类痛点搭载航空级冗余飞控系统，可在复杂楼宇环境自主避障、稳定巡航；依托4D航线与数字孪生平台，一键生成多机协同巡检路径；搭配AI缺陷识别引擎，精准识别幕墙空鼓、脱胶等隐患，自动归档数据并生成标准化报告。成效与价值——全面替代高危人工作业，显著降本增效整套系统可全面替代高危人工作业，实现全域无死角巡检，较传统模式成本下降70%、综合效率提升10倍以上。复杂环境下无人机的高精度自主飞行与避障技术隧道内部高精度定位高航技术高层建筑自动化病害检测与评估资料：《低空经济与时空智能协同驱动新质发展白皮书》，杭州交通，金元证券研究所整理5.3、AI+低空应急救援先进无人机平台矩阵解决“飞得起”问题，多模态智能感知载荷实现“看得见、看得清”问题。不仅仅将原始数据传输回来，更关键在于如何从海量、多源的数据中快速提取有价值的情报，以支撑应急决策。这要求建立强大的智能化数据处理与分析平台。实战案例：泸定Ms6.8地震滑坡应急响应——多源协同与智能评估泸定6.8级地震在复杂山区诱发大量滑坡，应急响应亟需快速准确掌握灾情泸定地震诱发滑坡智能解译结果空间分布。然而，传统调查手段效率低下，早期卫星遥感易受云雨遮挡，存在关键信息的“空窗期”，严重制约早期决策与救援行动。技术应用——应急响应采取多源协同策略：•

Step1:在震后2小时内，利用深度学习模型快速生成了同震滑坡概率分布图，为早期态势感知、填补信息空窗发挥了关键作用。•

Step2:快速部署无人机对泸定县、石棉县等重点灾区(累计约

104km2)进行了抵近航拍，获取了宝贵的亚米级(0.2-0.6m)高分辨率影像。•

Step3:采用先进的深度学习模型对这些无人机影像进行滑坡自动化识别，大幅提升了解译效率。•

Step4:将无人机解译结果(共识别滑坡3633处，总面积13.78km2)与后续获取感知团队的卫星遥感影像进行融合，进一步优化了初始的滑坡预测模型，从而实现了对灾区滑坡分布更精准、更全面的评估。成效与价值——应急工作中争分夺秒获取信息与下定决策•••多源协同快速响应:成功实践了“预测预警+无人机详查+卫星补充+AI分析”的应急工作模式，显著提升信息获取时效性。智能化大幅提升效率:AI自动化解译将传统需数天的工作缩短至小时级，实现了应急信息处理的效率变革。精准数据支撑决策:快速生成的滑坡分布成果为应急指挥、救援部署、次生灾害防治等提供了及时、可靠的空间