《未来移动通信论坛：2025年数字低空网络架构、覆盖及关键技术白皮书（85页）.pdf》由会员分享，可在线阅读，更多相关《未来移动通信论坛：2025年数字低空网络架构、覆盖及关键技术白皮书（85页）.pdf（85页珍藏版）》请在三个皮匠报告上搜索。

1、摘摘 要要本白皮书论述了数字低空网络发展趋势，阐述了数字低空网络特征、覆盖和基本架构，从结构层次、功能定位和安全规范等角度，分析了三种关键架构模型，包括数字低空网络基本架构、通感算融合架构、低空安全管控技术体系架构等，阐明了数字低空网络在覆盖能力方面与现有相关系统之间的关系；围绕数字低空网络的通信、感知、算力、管控等核心要素，系统论述了业务需求及面临的挑战、关键技术和应用案例。希望本白皮书能为产业在低空数字网络发展趋势、网络架构、覆盖及关键技术设计、研发、部署及应用等方面提供参考和指引。目目录录1 数字低空网络发展趋势与标准进展数字低空网络发展趋势与标准进展.11.1 数字低空网络范畴.11.

2、2 数字低空网络发展趋势与竞争格局.41.3 典型场景分析.61.4 数字低空网络业务需求分析.71.5 数字低空网络架构覆盖相关标准进展.92 数字低空网络特征、覆盖及基本架构数字低空网络特征、覆盖及基本架构.102.1 数字低空网络特征与覆盖能力.102.2 数字低空网络基本架构.132.3 数字低空网络通感算融合架构.172.4 低空安全管控技术体系架构.182.5 数字低空网络覆盖与相关系统的关系.193 通信关键技术及应用通信关键技术及应用.203.1 需求及挑战.203.2 关键技术.223.2.1 立体覆盖.223.2.2 干扰控制.273.2.3 可靠保障.293.2.4 安全

3、可控.303.3 应用案例.344 感知关键技术及应用感知关键技术及应用.384.1 需求及挑战.384.2 关键技术.394.2.1 空地协同频谱感知.394.2.2 空地协同频谱态势构建.414.2.3 空地协同无人机探测.454.3 应用案例.495 算力关键技术及应用算力关键技术及应用.535.1 需求及挑战.535.2 关键技术.565.2.1 协同计算技术.565.2.2 自适应通算一体技术.595.3 应用案例.636 管控关键技术及应用管控关键技术及应用.656.1 需求及挑战.656.2 关键技术.666.2.1 可信身份鉴权授权.676.2.2 认证与适航准入管控技术.69

4、6.3 应用案例.76参考文献参考文献.78缩略语缩略语.79致致 谢谢.811/811 数字低空网络发展趋势与标准进展数字低空网络发展趋势与标准进展1.1 数字低空网络范畴数字低空网络范畴数字低空网络是以无人机及其他低空飞行器为载体，依托先进的通信技术与数据处理手段，在低空空域实现高效数据传输的网络系统，成为推动低空经济发展的关键力量。通过蜂窝网络与卫星通信融合的立体覆盖模式，数字低空网络构建 0-300 米空域的连续服务能力。伴随着无人机技术、人工智能以及通信技术的持续进步，数字低空网络正日益融入智能城市构建、物联网扩展以及应急管理等多个领域，成为这些领域的核心组成部分，有力促进了低空经济

5、的蓬勃发展。数字低空网络的应用范围广泛，涵盖了应急通信、灾害救援、农业与环境监测，以及无人驾驶和车联网的实时数据交互等多个方面。通过低空无人机、中继设备以及地面基站的高效协同作业，该网络能够提供稳定的广域覆盖，为低空经济中的各类应用提供强有力的支持。然而，在技术实现过程中，数字低空网络仍面临诸多挑战，如复杂环境下的通信可靠性问题、干扰管理难题、频谱资源的优化分配，以及能源与续航能力的平衡等。同时，安全性和隐私保护也是其设计中的关键环节，必须确保数据传输的机密性与抗干扰能力，以及用户位置信息的有效保护，从而为低空经济的健康发展提供坚实保障。数字低空网络与国家当前规划的三大信息网络（卫星互联网、算

6、力网和 6G 网络）在战略部署上高度契合。作为国家信息网络体系的重要组成部分，数字低空网络不仅能够通过与卫星互联网协同，填补高空与地面间的覆盖盲区，实现空天地一体化的信息传输；还可依托算力网的分布式计算资源与实时数据处理能力，大幅提升网络的智能化水平。此外，随着6G 网络的逐步部署，其超高带宽与低延时特性将进一步优化数字低空网络的数据传输效率，推动其从通信功能向通感智算融合方向迈进，为国家数字化转型和科技强国战略提供坚实支撑。数字低空网络作为新质生产力的重要支撑，与其核心特征高度契合。新质生产力以数据为生产要素、算法为生产工具、智能化为生产目标，而数字低空网络凭借低时延、高带宽和高可靠的通信能

7、力，利用空基覆盖能力提供了坚实的基础设施。同时，数字低空网络通过广域覆盖与多节点协同，成为连接物理世界与数字世界的桥梁，不仅显著拓展了生产力的空间边界，还通过多跳中继和空地协作最大化资源利用效率，从而进一步释放新质生产力的潜力。数字低空网络对新质生产力的推动作用体现在多个维度，且其对定位和测速的高精度要2/81求进一步增强了其应用价值。首先，它通过支持大数据和人工智能的实时决策与精准控制，为生产模式注入智能化因素，例如在智慧农业中，无人机利用低空网络采集土地数据，实现精准播种和施肥。其次，数字低空网络能够动态分配生产要素，如设备、能源和劳动力，有效降低浪费，提高资源利用效率，这在灾害救援中尤为

8、突出，通过快速建立通信链路实现人力物力的最优调度。此外，它还增强了供应链的透明性与韧性，通过实时监控与反馈减少物流和仓储环节的不确定性，从而优化全链条的运营效率。最后，数字低空网络与传统产业深度融合，如无人机配送和空中巡检等场景，依托低空网络广域覆盖能力，推动产业向数字化、网络化方向升级，助力生产力的跃迁与质变。数字低空网络通过异构组网技术覆盖偏远和资源匮乏地区，有效弥补偏远和资源匮乏地区的信息鸿沟，促进区域协调发展。同时，作为一个开放的技术平台，数字低空网络吸引了多学科交叉创新和多领域协同发展，通过覆盖能力与边缘计算、区块链技术的深度融合，加速人工智能、边缘计算与区块链等技术的迭代升级，为新

9、质生产力的快速演进提供了强大驱动。表 1 数字低空网络与新质生产力总结领域数字低空网络的作用新质生产力的核心特征体现应用场景智能化生产支持实时数据处理和分析以数据为生产要素智慧农业中的精准种植动态资源分配实现快速、灵活的资源调度算法为生产工具灾害救援中的物资配送供应链优化提供透明、高效的物流管理智能化为生产目标无人机快递服务产业融合升级推动传统产业数字化转型传统产业向数字化转变电力巡检与维护区域协调发展弥补信息鸿沟，促进均衡发展促进区域间的信息共享偏远地区的远程教育技术创新驱动加速新技术的研发与应用多学科交叉创新无人驾驶飞行器的研发3/81数字低空网络作为低空通信领域的重要组成部分，与卫星互联

10、网、算力网、6G 网络等国家战略信息网络紧密关联，共同构成未来全覆盖、广连接、高智能的数字基础设施。其协同作用和发展方向将推动我国信息产业和经济社会的全面数字化转型。卫星互联网通过高轨、中轨和低轨卫星网络，实现全球无缝覆盖，尤其在海洋、沙漠、极地等传统通信盲区具备独特优势，而数字低空网络则聚焦于低空和近地通信的细化部署，擅长覆盖城市楼宇间、山区沟壑等复杂地形区域。两者结合形成高轨（卫星）低空（无人机）地面（基站）的三层通信架构，提供真正意义上的全域无缝覆盖。同时，它们在能力上相互协同，卫星互联网提供高带宽和广域连接的主干网络，数字低空网络则通过多跳中继增强通信密度和低时延性能。在应急场景中，卫

11、星互联网快速搭建主干网络，数字低空网络负责区域内的精细化通信任务，确保整个网络具备动态适应能力与高效运作水平。图 1 数字低空网络与卫星互联网算力网作为国家智能化计算与资源调度网络，依托数字低空网络的通信支撑，实现算力资源的高效协同和优化部署。数字低空网络通过提供高速、可靠的数据传输路径，将算力需求快速分发至边缘节点，特别是在无人机群协作和智能设备实时交互等场景中，有效提升资源利用效率。低空网络凭借灵活的拓扑结构和空中中继能力，支撑算力节点的动态调度与实时协同，满足高计算需求场景下（如大规模无人机编队）的任务处理要求。在推动算网一体化方面，数字低空网络通过灵活的通信接口实现“网随算动”，将移动

12、算力与网络能力深度融合，为智能化应用提供坚实保障。数字低空网络以超高频段、超低时延、超大连接和超高智能为特征，在实现三维覆盖中发挥关键作用，为低空经济提供高效稳定的技术支撑，而其人工智能原生特性推动了无人机4/81集群、自适应波束赋形等技术的智能化升级，进一步提升通信效率和资源利用率。边缘智能与空天地一体化架构增强了低空网络的适应性与弹性，并支持沉浸式通信、全息投影等新应用在低空场景的广泛落地，助力无人机物流、空中娱乐、城市管理与应急通信等领域的智能化创新。数字低空网络与卫星互联网、算力网和 6G 网络构成了国家三大信息网络战略部署的有机整体。通过相互补充、协同发展，低空网络不仅填补了通信覆盖

13、和算力调度的空白，还推动了空天地一体化信息网络的构建，为未来社会的智能化、数字化发展奠定了坚实基础。1.2 数字低空网络发展趋势与竞争格局数字低空网络发展趋势与竞争格局数字低空网络融合多领域技术，链条覆盖上下游多个环节，服务范围广泛，带动效应显著，推动低空制造、飞行服务、保障体系等领域的高速发展。从消费来看，数字低空网络能助力消费升级和投资增长。从消费来看，数字低空网络能助力消费升级和投资增长。近年来，无人机技术开辟了许多全新的消费场景，例如解决“最后一公里”配送难题、利用“支线级”无人机提升物流效率、开发景区“空中游览”带来全新旅行体验，以及推动无人机助力智慧城市建设等。预测到 2040 年

14、和 2050 年，全球城市空中交通市场的规模将分别达到 7 万亿美元和 9 万亿美元。中国市场需求旺盛，预计将占据全球市场的 30%以及亚太地区市场 55%，对国民经济的综合贡献值将达到 5 万亿元，突出其在推动消费升级和投资回报的巨大潜能。从要素来看，建立空域使用权是推动低空空域资源转化的关键路径。从要素来看，建立空域使用权是推动低空空域资源转化的关键路径。低空空域作为尚未充分开发的自然资源，是一片未被深入探索的“无人区”。如果能够通过数字化手段构建可计算的空域模型，推动低空空域向可量化、可分层、可利用、可权益化和可资本化的经济资源转型，并设立“空域使用权”新型生产要素，将为低空空域的确权、

15、开发、流转与利用提供有力支撑。从标准来看，加快数字低空网络的标准创设是助力国际竞争的关键举措。从标准来看，加快数字低空网络的标准创设是助力国际竞争的关键举措。当前国际社会在数字低空网络领域的标准制定仍主要基于对商业航空和通用航空规则的延展，缺乏针对低空经济新问题的全面解决方案。在全球低空领域“竞标争先”的背景下，推进低空智能融合基础设施建设，借助全数字化和数据优势，加速制定涵盖产品、人员、运行、责任、权利、登记、环境、安保、保险等方面的规则和标准，有助于掌握行业发展和科技竞争的主动权。我国数字低空网络虽然起步较晚，但发展势头迅猛。截至 2023 年底，全国在册通用机5/81场数量已达 449

16、个，是 2015 年的 7.5 倍。同年，无人机行业实现 300 亿元的产值及 1170亿元的运营与服务收入。我国凭借庞大的城市规模、快速增长的商务需求，以及依托传统航空制造业和无人机产业的优势，已在粤港澳大湾区、长三角地区等改革试点城市显示出巨大的市场潜力。长三角地区在数字低空网络领域展现出优越的市场环境和产业优势。长三角地区在数字低空网络领域展现出优越的市场环境和产业优势。以上海为核心的长三角区域，形成了技术创新与市场应用的双重驱动力。区域经济体量大、产业基础雄厚、需求多元化，为数字低空网络的快速发展奠定了坚实基础。上海市政府积极推动未来空间产业集群的建设，重点突破倾转旋翼、复合翼和智能飞

17、行等关键技术，并探索空中交通新模式，增强低空覆盖能力。江苏南京自 2020 年起便拥有无人机基地，并位于全国首批民用无人驾驶航空试验区。此外，长江南京段建成全国首个 5G 低空智联网智慧立体巡航体系，为数字低空网络应用提供了示范样板。浙江杭州在 2022 年建成无人机运行管理服务中心，为无人机行业的运营和管理提供了重要保障。安徽合肥则在 2023 年完成了亿航智能 EH216-S 无人驾驶载人航空器的全球商业首飞演示。粤港澳大湾区位于国内和全球数字低空网络领域头部梯队。粤港澳大湾区位于国内和全球数字低空网络领域头部梯队。以深圳、广州、珠海为核心，大湾区吸引了包括亿航智能、大疆创新和顺丰丰翼科技

18、等一批优质企业。深圳形成了从模具制造、平台开发到产品生产的一体化完整产业链。截至 2023 年底，深圳拥有 1700 多家无人机企业，总产值达 960 亿元，消费级无人机全球市场占有率高达 74%，工业级无人机国内市场占比约 55%，稳居全球民用无人机生产基地的首位。广州市政府陆续推出多项空天产业扶持政策，为数字低空网络发展提供了政策支持。广州开发区已聚集了 40 多家低空产业链企业，涵盖了从上游的研发设计、原材料和零部件制造，到中游飞控、导航、通信覆盖和任务载荷系统等关键环节，再到下游物流和智慧城市管理等多场景应用与服务。尽管如此，我国数字低空网络的发展仍面临技术瓶颈。低空通信、导航和监管等

19、关键技术尚不完善，传统点对点通信、卫星定位、低慢雷达等技术存在覆盖范围有限覆盖范围有限、组网能力不组网能力不足、定位精度偏低以及监管能力薄弱足、定位精度偏低以及监管能力薄弱等问题，这些技术短板亟待突破以支撑低空经济的持续发展。近年来，全球低空数字网络呈现快速发展的态势，2022 年全球低空数字网络市场规模已突破千亿美元大关，展现出巨大的增长潜力和投资吸引力。全球范围内，传统飞机制造商和汽车企业也在积极进军这一领域。已有近 350 家企业参与设计，涵盖了从短途客运到货运、城市空中交通、覆盖增强等多种应用场景。6/81美国低空数字网络产业处于全球领先地位。美国低空数字网络产业处于全球领先地位。美国

20、拥有完整的工业级无人机产业链，其通用航空业务涵盖个人飞行、航空观察以及航空运输等领域。上游包括无人机初创公司、航空防务公司、互联网巨头推动的无人机配送项目，以及芯片与半导体制造商；下游则涵盖工程与农业机械公司、物流企业等应用服务商。此外，美国国家航空航天局专门成立了无人机应用中心，致力于推动无人机在民用领域的研究和创新。近年来，美国的 eVTOL 行业不仅注重民用市场，还显著涉及军事用途。美国空军发起的“敏捷至上”项目正是整合政府资源与行业力量的典范。欧洲初步形成完备的低空数字网络产业链。欧洲初步形成完备的低空数字网络产业链。西欧国家作为全球无人机三大主要制造市场之一，其研发创新能力突出。德国

21、、奥地利和瑞士推动飞行汽车与无人机技术的协同发展，为未来交通提供了更多可能性。在电动垂直起降飞行器(Electric Vertical Take-Off andLanding,eVTOL)领域，德国的 Lilium、Volocopter，以及英国的 Vertical Aerospace 已成为全球领先的企业代表，展现了欧洲在未来空中交通领域的强劲竞争力。早在 2004 年，欧洲便启动了单一天空空管研究项目，专注于开发新一代空中交通管理系统。东南亚地区携手推动数字低空网络多样化发展。东南亚地区携手推动数字低空网络多样化发展。日本在空中交通领域布局较早，政策和产业规划推动数字低空网络发展。日本制造

22、业巨头丰田早已进军数字低空网络领域，显示出跨行业协同发展的趋势。韩国政府宣布将投入 1.2 万亿韩元发展无人机行业，预计到 2025年将创造 16.4 万个新就业岗位，并实现 4.1 万亿韩元的市场规模。此外，东南亚整体气候和地理条件为无人机技术的快速推广创造了独特的市场机会。从物流配送到农业监测、灾害应急和岛屿间交通，无人机在印尼的广泛应用潜力巨大。日本和韩国以先进技术和产业规划为基础，推动数字低空网络的全球竞争力；而东南亚则通过独特的市场需求和应用场景，为无人机产业提供了新兴发展空间。1.3 典型场景分析典型场景分析数字低空网络应用场景涵盖广泛，包括物流配送、环境检测与保护、农业植保、公共

23、安全与应急响应等。物流配送物流配送：无人机在物流配送方面展现出了极大的潜力。无论是在交通拥堵的都市，还是地形复杂或交通不便的山区和海岛，无人机都能够独立或与其他交通方式协同，高效完成对时效性要求较高的生鲜食品、紧急药品或贵重物品的快速递送。无人机物流配送在国内的实际应用已逐渐普及。如 2024 年 3 月，重庆启动了无人机快递山地项目，无人机通过自主路径规划，仅用 20 分钟即可从物流中心将包裹送到山间农户手中，大幅提升配送效率。7/81环境检测与保护环境检测与保护：无人机在环境检测与保护中以其高效、精准、灵活的特点发挥了重要作用。无人机搭载高光谱传感器和高清摄像头，能够实时监测湖泊、河流、海

24、洋等水域的水质变化，快速发现污染源。在江苏太湖地区，无人机机库组网对水质进行全天候监测，实时采集数据并发出预警，为水污染治理提供了可靠支持。无人机还可以搭载空气传感器，飞行至不同高度采集空气样本，检测 PM2.5、二氧化硫、臭氧等污染物浓度，生成三维污染分布图，辅助制定科学的空气治理方案。在自然保护区，无人机用于监测植被覆盖、动物活动和栖息地变化，同时还能发现非法采伐、盗猎等行为。农业植保农业植保：在农业植保中无人机同样应用广泛，极大地提升了农业生产效率和精准化管理水平。中国电子信息产业发展研究院产业政策研究所所长王昊提到，2019年至2024年间，我国农业无人机市场保有量持续增长，特别是在新

25、疆、江西等地，由于其独特的农业特点、地形条件及政策支持，农业无人机的销量占比显著。利用无人机进行精准植保作业，不仅可以大幅提高效率，降低农药和水的使用量，还能减少农药飘散，降低环境污染，保障人员安全。数据显示，采用无人机植保作业，每小时可覆盖120150亩农田。同时，通过GPS等智能技术进行实时监控，可实现精准作业，有效应对农业劳动力减少和规模化集约化经营的需求。公共安全与应急响应公共安全与应急响应：在公共安全与应急响应方面，无人机凭借其快速反应、立体覆盖能力、灵活性强和实时数据采集能力，成为应急响应中的重要工具。在自然灾害发生时，如地震、洪水、火灾等，无人机可以迅速飞往灾区，通过多机协同组网

26、形成动态覆盖网络进行空中侦察，获取灾区的实时图像和视频，帮助救援人员评估灾情。这种高效的监测方式大大缩短了灾后评估时间，提升了响应速度。无人机配备红外热成像仪可以实时监测火灾热点，快速定位火源，特别是在大型火灾或难以进入的地区。无人机还能够为灭火人员提供火场全景图，辅助指挥决策，避免消防人员的盲目性和高风险。在 2024 年 7 月，内蒙古大兴安岭北部林区发生雷击森林火。当地植被茂密，地势复杂，火势蔓延迅速，对当地生态和居民安全构成了严重威胁。通过无人机与内蒙古森林消防总队地面救援力量紧密配合，形成“空天地一体化”的高效应急救援体系，有效克服了地形险峻、植被密集和天气多变等不利因素，确保了救援

27、行动的连续性和高效性，最终实现了对火场的全面控制。1.4 数字低空网络业务需求分析数字低空网络业务需求分析随着数字低空网络，应用场景的多元化，数字低空网络业务需求也日益增长，主要体现在以下三个方面:一是低空通信需求，主要是面向广域超视距的无人机数据和图像传输需求;8/81二是飞行导航需求，主要是面向广域高精度的无人机定位需求;三是空域监管需求，主要是面向广域全类型的无人机感知与管控需求。这三大需求为数字低空网络的繁荣注入强大的动力与活力。低空通信需求低空通信需求：通信构筑数字低空网络之基。在低空物流运输、城市巡检、安防监控等领域，对无人机网联通信有强烈需求，主要需求是在无人机与地面站间进行数据

28、传输(简称数传)或图像传输(简称图传)。数传是指传输无人机飞行控制和飞行状态等信息，特点是小数传包，但对网络连续稳定覆盖、传输时延和可靠性要求高。通常飞控类数传的端到端时延需求小于 100ms，速率需求为百 Kbps。图传是指传输无人机摄像头采集到的图像和视频等信息，图传数据以上行为主，具有大上行的特点，对于 1080P 和 4K 分辨率视频的典型速率要求分别为 5Mbps 和 25Mbps。以下表 2 是低空通信典型应用场景及通信需求。表 2 低空典型应用场景及通信需求低空覆盖低空覆盖飞行高度飞行高度图传上行带宽需求图传上行带宽需求飞控类数传需求飞控类数传需求外卖配送120m以下5Mbps1

29、080P时延55.5TFLOPS飞行状态数据通用算力、智能算力端到端时延 100ms通信数据处理定制化算力/边算力是指在靠近低空平台的地面或空中站点上进行的数据处理和计算。边算力的目标是弥补端算力的局限性，通过靠近数据源的计算能力，减轻端侧的负担并优化计算性能。低空平台如无人机在执行任务时，通常会生成大量的实时数据，这些数据需要在极短的时间内进行处理和反馈。边算力通过在地面站点或空中平台上部署高效的计算资源，能够对这些数据进行快速预处理、分析和本地化决策。此外，边算力还承担着任务卸载的功能。尽管端算力能够在低空平台本身进行一定程度的数据处理，但由于硬件受限，其计算能力和存储空间通常无法满足复杂

30、的处理需求。因此，边算力通过承担部分计算任务，可以减轻端算力的压力，提升低空平台的运行效率和延续性。云算力是低空数字化架构中的核心计算层，通常部署在远程数据中心或云平台上，具备强大的计算能力和海量的存储空间。在低空数字化网络架构中，云算力提供了一个集中式的平台，能够管理和处理来自各低空平台的大量数据。由于低空平台通常面临计算能力、存储空间和电池寿命等方面的限制，云算力通过集中计算资源，承担大规模数据分析、深度学习模型训练和智能算法优化等任务，为低空平台提供高级的分析和决策支持。同时，在低空算力平台工作过程中，低空平台的传感器和其他设备会产生大量的数据，这些数据需要长时间保存并进行分析。云算力通

31、过分布式存储和高效的数据管理能力，确保数据的安全性、可靠性和可访问性。以下表 10 是低空场景下各端算力的常用场景。表 10 低空算力应用场景低空算力架构低空算力架构算力应用场景算力应用场景端飞行路径规划、飞行控制、空间旋停控制、自动识别跟踪、图像分析、实时通信、电子对抗、自适应操控边数据封装、逻辑服务、同步协同、集中调控、数据分析、端到端通信云飞行态势管理、大规模数据分析、无人机集群调控、大模型运算、智能算法优化在数字化经济时代，算力已成为一种重要的生产力，包括网络、计算和存储等多维度资55/81源。移动通信系统提供的计算服务将助力催生新形态的终端，并优化用户体验，为移动终端的发展提供更多可

32、能性。算力的相关性能指标通常由移动通信系统部署的计算与通信资源及其性能综合决定。为了定义移动通信系统的计算性能指标，需要综合考虑典型业务用例、用户密度、业务模型等因素。尤其是在数字低空网络中，算力需求不仅体现在终端的实时计算处理，还涉及到如何通过云端和边缘计算系统满足各种应用场景的时延、带宽及计算性能要求。以下表 11 是计算服务的性能指标。表 11 计算服务的性能指标计算服务的性能指标计算服务的性能指标定义定义系统性能指标算力密度移动通信网络单位覆盖面积能提供的算力计算连接密度移动通信网络单位覆盖面积能提供的计算服务连接数量用户性能指标峰值算力单用户可获得的峰值计算性能计算时延从用户发起计算

33、服务请求到接收到计算响应的整体的时延。针对目前的应用场景，现有的低空算力仍面临着以下挑战：一：硬件资源受限硬件资源受限。无人机低空平台通常受限于平台空间、供能等限制导致算力载荷受限，不能像数据中心那样扩展算力。因此，在设计算力架构时，需要在有限的硬件资源下实现高效的数据处理和任务执行。二：服务于低空的边缘端实际算力部署有所欠缺服务于低空的边缘端实际算力部署有所欠缺。在基于移动通信系统连接的数字化网络中，应用业务所需的计算通常分布在终端侧和云端。移动通信系统通过提供终端和云端服务器的连接通道来辅助完成计算任务。现有的云服务通常通过集中度高的中心云来满足高计算量需求，同时提高资源复用率；而通过分布

34、式的边缘云，则可以满足低时延需求，并减少网络传输的开销。然而，面向未来的沉浸式 XR、交互型 3D 虚拟数字人、协作机器人、无人驾驶等新兴用例，仍然存在着终端算力、存储和智能能力，以及云端因部署不完全距离远而时延不满足需求的挑战。三：分布式计算和资源调度分布式计算和资源调度。低空网络中的算力通常是分布式的，如何协调和调度分散在不同空中平台和地面节点的计算资源，以及如何高效地进行任务卸载和协同计算，克服各通信节点之间的通信时延，是技术实现的关键挑战。同时，现有的数字低空网络在软硬件上存在严重的异构，且低空智联网相关的标准仍然欠缺，这为边端云的协同以及后续管理带来了巨大的困难。56/815.2关键

35、技术关键技术5.2.1 协同计算技术协同计算技术5.2.1.1服务于低空的端边云协同计算服务于低空的端边云协同计算随着智能终端、新型网络应用和服务日新月异的发展，数据规模呈爆炸式增长，用户追求更加迅捷流畅的体验感，对低延迟的服务质量要求变高。尽管传统云计算拥有强大的计算能力，但由于云服务器距离终端设备较远，传输过程中的传输速率、能量损耗、响应延迟、网络干扰、数据安全等问题都难以避免，终端设备和远程云服务器之间的海量数据交换可能会导致回程网络瘫痪，仅仅依靠云计算模式难以实现毫秒级的计算和通信延迟。为此，端边云协同计算将云的部分功能向网络边缘转移，在接近移动终端的边缘服务节点提供计算卸载服务，是一

36、种新型网络结构和计算范式。需要注意的是，端边云协同计算并不是取代云计算，而是作为云计算的延伸。表 12 列出了传统云计算和边端云计算场景下计算卸载的异同：表 12 移动云计算与端边云计算卸载对比类目类目移动边缘计算移动边缘计算移动云计算移动云计算计算模型分布式集中式服务器硬件小型，中等性能大型，高性能与用户距离近远连接方式无线连接专线连接隐私保护高低时延低高核心思想边缘化中心化计算资源有限丰富存储容量有限丰富应用延迟敏感型计算敏感型在端边云协同架构中，端指无人机飞行器上的计算单元，需要满足低功耗、小型化和高计算能力的要求，该部分算力来源通常为机载嵌入式 AI 芯片；边指基站以及无人机之间的边缘

37、节点，能够减少从飞行器到中心数据中心的数据传输时间和带宽消耗，该部分的算力来源通常为设置在边缘端的小型服务站或小型分布式服务器；云通常为整个系统的中心节点，算力强，能够支持大规模的数据分析和复杂计算任务，算力来源为大型服务器。以下表 13是各端常用的硬件介绍。57/81表 13 低空数字化常用硬件低空算力架构低空算力架构常用算力硬件常用算力硬件端嵌入式 AI 硬件NVIDIA Jetson NX、Intel Movidius Myriad、Atlas 200IA2MCUSTM32、NXP i.MX、Raspberry Pi边AI 专用加速硬件NVIDIA Jetson AGX Xavier、A

38、tlas 500A2、Intel NUC、Google Edge TPUCPUIntel Xeon、AMD EPYC、ARM Cortex-AGPUNVIDIAA2、AMD Radeon GPU云AI 加速器NVIDIA DGX A100、Atlas 800、IBM Power SystemsCPUIntel Xeon、AMD EPYCGPUNVIDIAA100、AMD Instinct、Intel Data Center GPU在整个系统中端是端边云协同系统中的起始点负责采集、处理和存储数据，并将数据发送到其他组件进行协同处理；边为整个系统的中心部分，它能够根据两端应用场景的需求灵活地部署在

39、靠近端云两端，负责分担机载端无法处理的计算任务，有效降低系统延迟；云负责承载大规模、复杂的计算任务，如深度学习模型训练、大数据分析和长周期任务。端设备计算资源有限，但却处于数据采集的最前端。而云端虽然算力强大，但距离数据源较远。边缘端可以作为中间层，平衡资源分布。为实现端边云协同，可考虑如下方案：1）智能）智能动态任务调度机制动态任务调度机制：建立智能任务调度机制，实时监测边缘端和云端的算力负载、网络状况以及任务执行进度，根据系统的实时状态动态调整任务分配。例如，当边缘端算力资源紧张时，将一些非实时性的次要任务暂时缓存在本地缓存或排队等待处理，优先保障关键实时任务的执行；同时，将部分可延迟处理

40、的任务转移到云端进行处理，充分利用云端的闲置算力资源，实现云边端算力资源的动态平衡和优化利用。2）智能数据缓存策略智能数据缓存策略：在边缘端和无人机端设置智能数据缓存机制，根据数据的使用频率、时效性和任务需求，合理缓存数据。例如，对于无人机经常访问的地理信息数据或常用的飞行控制参数，在边缘端进行缓存，当无人机再次请求相同数据时，直接从边缘端缓存获取，减少数据传输次数和延迟；同时，根据数据的时效性，定期更新缓存数据，确保缓存58/81数据的准确性和有效性，提高系统的数据访问效率，减轻云边端的数据传输压力。3）智能）智能分配任务需求分配任务需求：根据无人机采集数据的类型、大小、实时性要求以及任务的

41、复杂程度，智能地将任务分配到边缘端或云端进行处理。例如，对于实时性要求极高的无人机飞行控制数据处理任务（如飞行姿态调整、避障决策等），优先分配到边缘端进行处理，利用边缘端靠近数据源、低延迟的优势，确保无人机能够及时响应飞行环境的变化；而对于大规模历史数据的分析任务（如长时间的飞行轨迹分析、区域地理信息统计等），则将数据传输到云端，利用云端强大的算力资源进行深度分析。5.2.1.2端计算卸载及边计算迁移技术端计算卸载及边计算迁移技术低空无人机可能需要同时承担多项复杂计算任务，面向原子任务（不可切分）的计算卸载，通常采用全卸载模式将整个任务卸载到一个计算服务节点上。而自 5G 商用以来，时延敏感且

42、计算密集型的复杂任务大量出现，这些复杂任务包含多个存在数据依赖关系的子任务，需要遵从严格的子任务执行时序约束。例如，视频导航任务涉及图形、人脸检测、摄像机预览、视频处理可以划分为 14 个依赖的任务。对于包含多个子任务的复杂任务的计算卸载，若采用全卸载模式将其全部卸载到一个节点上计算将会存在两个问题：第一，单服务节点的性能很可能难以同时满足所有子任务的计算资源需求，导致任务计算时延延长；第二，该服务节点任务执行序列中后续任务的等待时延将被延长。在数字低空网络场景下，计算卸载与资源分配问题的目标是无人机在其性能（尺寸、计算能力、电量等）允许的范围内，针对地面移动终端或无人机自身的任务计算需求，通

43、过点对点通信实现计算资源共享确定各个无人机的任务执行序列。通过实现多个无人机或移动终端之间协作处理任务，以确保任务的低时延或无人机的低能耗要求。多机协同下计算卸载适合任务区域密集、终端设备算力较充足时的分布式任务处理场景，如图 41 所示。图 41 多无人机协同任务卸载示意图59/81在实际情况下，复杂任务的处理过程包括任务上传、任务划分及任务空中通信和计算、任务计算结果返回 3 个步骤，可以通过多智能体强化学习、深度强化学习等优化算法加以实现分布式卸载决策。针对无人机高速移动场景下的复杂任务卸载问题，边缘服务的计算迁移（ComputingMigrations）技术可以很好保证计算任务的连续性

44、。服务迁移与蜂窝网络中的切换以及数据中心的实时数据迁移类似。与蜂窝网络中的切换相比，边缘计算服务迁移要传输的数据量更大，并且不是无人机每次移动时都需要服务迁移。此外，边缘网络的服务迁移与数据中心实时数据迁移的区别在于数据中心的实时迁移更关注应用的停机时间，而边缘网络的服务迁移更关注总的迁移时间。图 42 无人机计算卸载时边缘节点间的服务迁移1）服务迁移中服务的类型可以分为有状态和无状态两种类型：有状态的迁移过程需要将应用程序的运行状态迁移到目标边缘节点中，而无状态的服务不需要。2）迁移的方式主要分为冷迁移和实时迁移：冷迁移是先在源节点中停止服务，再将服务迁移到目标边缘节点中。而实时迁移是在服务

45、即将迁移完成时再停止服务，因此实时迁移的停机时间更短。无人机网络的服务迁移中更多考虑实时迁移技术。多种应用程序托管技术为服务迁移技术提供了基础，主要包括：虚拟机技术、容器技术和代理技术。其中虚拟机技术包含了程序运行过程中所需的所有组件，提供了强大的应用隔离能力。容器技术在操作系统层次实现了进程的隔离。代理技术具有管理方便，启动迅速等优点。5.2.2 自适应通算一体技术自适应通算一体技术5.2.2.1机载感知数据轻量化智能压缩机载感知数据轻量化智能压缩现如今利用低空设施获取数据已经取得了广泛的应用，而对于实时场景，如何在有限的60/81信道以及带宽资源下高效地将无人机捕获数据进行回传是当前面临的

46、一大问题。针对该领域常用的视频和图像数据，通过将无人机捕获后的数据进行压缩处理来提升数据传输的效率，减少对信道带宽的负荷是一种有效的方法。在视频压缩领域，目前已存在许多的传统视频压缩标准来对捕获到的数据进行压缩以提升传输效率。目前国际上主要使用的三大标准为 JPEG、MPEG 以及由国内提出的 AVS。视频是连续的图像序列，由连续的帧构成，这意味着相连的帧之间很强的时间相关性，也就是存在着大量的冗余信息，视频压缩就是为了将这部分冗余信息去除。以常用的帧间编码为例，编码器由宏块、运动估计与运动补偿、变换量化、环路滤波、熵编码等模块共同构成，图像输入后，将视频帧拆分为多个宏块，通过比对相邻帧之间的

47、相似块位置得到运动矢量，随后运用运动矢量预测出下一帧，通过离散余弦变换将时域下的预测误差转换到频域并通过量化进一步的压缩数据，最后通过环路滤波器提升重建图像质量即可编码传输到解码端。图 43 视频压缩框架针对该领域，目前可考虑以下方案：（1）H.264（AVC）：H.264 是由 ITU-T 和 ISO/IEC 联合开发的压缩标准，其 通过帧内预测、帧间预测、变换编码和熵编码等技术实现了较高的压缩效率，比早期标准如 MPEG-2提升约 50%，广泛应用于高清视频传输、视频会议和监控等场景。它具有编码复杂度适中、实时性好、兼容性高的特点，但对高分辨率和低带宽场景的适应性有限。（2）H.265（H

48、EVC）：H.265 是 H.264 的继任者，于 2013 年被 ITU-T 和 ISO/IEC 正式发布，针对高分辨率（如 4K、8K）和低带宽网络设计，压缩效率提升约 50%。它采用了更高级的技术，如更大的编码单元（最大 64x64）、更多帧内预测模式（33 种）和高精度运动估计等，使其在低带宽条件下仍能提供高质量的视频回传。H.265 非常适合高分辨率视频流媒体、高清视频监控和存储归档等场景，但其编码复杂度和解码要求较高，对硬件性能有较大依赖。（3）基于深度学习的视频压缩：为了应对视频质量要求的不断提高，以及多变的低空61/81端信道环境，构建更高效的视频压缩系统并生成高质量的帧是至关

49、重要的，基于深度学习的视频压缩技术则能够有效利用其传统方法中没有使用的大规模端到端训练和高度非线性变换实现更好的视频压缩效果。目前，基于深度学习的视频压缩主要由运动估计模块、运动补偿模块、残差处理模块构成。首先，运动估计网络通过卷积层估计当前帧与前置压缩帧之间的运动信息，去除时间冗余，如 FlowNet、MRMR、Me-Net 等。接着，运动补偿网络利用运动信息预测当前帧，结合前置帧进行帧间预测，通过残差计算获取差异数据供后续处理。最后，残差处理网络采用编码-解码结构和矫正模块，通过非线性变换和熵编码去除冗余数据，并修正重建的残差信息，从而提高压缩质量和精度。与 MPEG、H.264、HEVC

50、 和 VVC 等传统的视频压缩算法相比，基于深度学习的视频压缩算法在视频质量及压缩率上都存在着很大的优势，有效提升低空数字化网络下的视频传输效果。5.2.2.2移动算网融合技术移动算网融合技术面向移动用户终端，无线通信网络是端到端服务的重要组成部分之一，因此移动算网融合技术是提升计算服务性能的重要环节。移动算网融合的关键在于如何打破各层之间的界限。拉通底层的计算资源和上层应用的计算和通信需求，这也是不同算网融合技术方向中计算控制功能的重要任务。如图 44 所示，下面将移动算网融合技术方向分为基于演进的路线和基于变革的路线两类方案进行介绍。图 44 移动算网融合技术方向根据不同的技术发展路径，移

51、动算网融合可以分为基于演进的路线和基于变革的路线两大方案。基于演进的路线主要通过增强现有网络架构来提升计算与通信的协同能力，包含增强边缘计算（EC）和增强 IMS（IP 多媒体子系统）两大方向。在 EC 增强中，计算资源位于边缘应用服务器（EAS），并通过引入计算控制节点，动态接收用户设备（UE）的计算需求和获取边缘计算节点的实时计算状态信息。而在 IMS 增强方向下，计算控制信息和数据通过用户面进行传输，确保 UE 和网络间的计算与通信任务协调。相较之下，基于变革的路线则通62/81过在核心网引入全新的计算控制功能和数据传输通道，实现更深度的计算与通信资源融合。这一方案通过核心网控制面实现对

52、异构计算资源的度量和管理，并通过策略协同选择合适的计算节点，确保通信和计算资源的联合动态调度。在具体应用中，尤其是在无人机等高时延敏感的场景下，传统的边缘计算模型面临诸多挑战。由于无线信道的衰落和用户间的干扰，导致端到端时延不稳定，进而影响用户的服务体验。在传统边缘计算中，用户通过无线空口将数据上传至边缘计算节点进行处理，计算和通信资源相互独立调度，导致系统资源浪费和服务质量无法保障。图 45 通算解耦与通算融合架构这种情况下，采用通算融合的方案可以有效解决问题。（1）通过基于基于 DNNDNN 模型选择的适应策略模型选择的适应策略，动态调整计算模型的复杂度和计算时延，系统能够根据网络状况自适

53、应调整资源，从而减少延迟波动。（2）通过通算融合协同调度机制通算融合协同调度机制，基站能够获取通信和计算侧的双侧数据，综合当前和过去的资源信息进行优化调度，提高资源利用效率，并保证多样性业务需求的服务质量。5.2.2.3空天地一体化算力网空天地一体化算力网随着对 6G 技术的深入研究，初步形成了集中和分布协同、分布式自治 6G 网络。一方面将更多的网络功能扩展到网络边缘，另一方面将面向全局的核心功能集中，通过云网融合、分布式协同的方式，达成支持更加复杂的业务的共识。6G 空天地一体化网络融合了地面网络、高轨的 GEO 卫星通信网络和中低轨非静止轨道（non-geostationary orbi

54、t，NGSO）卫星通信以及高空浮空器、无人机等空基网络，构成了高、中、低和地面网络的分层网络架构。这使得大型 GEO/MEO 卫星具备了高性能算力和轻量化核心网及天基数据中心的能力，而 LEO卫星和高空浮空器、无人机等则具备了接入网络和计算卸载的能力，从而为实现空天地一体的高效计算体系提供了物质基础。一方面，地面网络作为 6G 网络通信和算力供应的主要提供者，通过星地链路、地面光63/81纤骨干网和高性能可编程交换机等网络设备以及具备通信及算力感知和调度的核心网中心或较为集中部署的数据中心，为人员密集区域和算力热点区域提供集中式的通信和算力服务。同时，通过算力感知和 SLA 制定策略，进行通信

55、和算力的调度。利用地面光纤网络的带宽优势和可靠性优势，处理面向超大流量和海量数据的复杂计算。另一方面，天基网络极大地丰富了地面蜂窝网络的服务范围，基于高性能硬件模块和统一接口搭建高算力卫星节点，通过星间链路、自主路由、无缝组网、大规模部署、自动维护等技术构建星云算力节点，实现基于空天网络的算力系统。在此基础上，将边缘技术和云边协同引入天基网络，使得卫星在轨实现协同计算。随着未来数据低空网络面临的超低时延、超大数据量、AI 计算等复杂业务应用的出现，根据无人机所处环境的通信和算力基础设施覆盖情况以及任务复杂度和实时性需求，有望构建新的分布式计算机体系架构，通过智能编排算法将数据和算力按进行动态分

56、配，实现在在机上、地面、卫星平台之间灵活卸载计算任务，提供感知和通信数据的处理能力，提升实现空、天、地一体化的整体算力利用率。5.3 应用案例应用案例应用案例应用案例 1 1：鹏城实验室联合展示智简语义通信技术创新成果：鹏城实验室联合展示智简语义通信技术创新成果针对无人机实时监控场景下“机载处理算力要求高，回传处理网络带宽消耗大”的应用痛点，提出通过语义模型的增量更新和实时传输技术，实现了从传输“比特”到传输“模型”的技术革新，显著降低了视频监控任务对机载算力和网络带宽的需求，使得无人机监控的机载实时处理成为现实。图 46 面向低空经济的智简语义通信样机应用案例应用案例 2 2：基于算力集群的

57、低空电磁环境数字孪生：基于算力集群的低空电磁环境数字孪生针对低空环境的数字化管理需求，鹏城实验室依托鹏城云脑的算力集群，开发了电磁环64/81境计算引擎，利用现有电磁材质数据、信道模型数据以及三维环境数据，构建了城市物理环境和电磁传播环境的数字孪生系统，实现了低空环境的数字化管理。图 47 鹏城实验室开发的基于算力集群的低空电磁环境数字孪生应用案例应用案例 3 3：中移凌云：中移凌云中移凌云-中国移动自主研发的 5G 网联无人机管理运营平台，以“5G+AI”为核心，结合人工智能、原生云、时空大数据库、数据挖掘与分析及边缘计算等关键技术，构建智慧飞行枢纽、智能内业处理和多元关系挖掘三大核心能力，

58、实现分布式、弹性部署、可自愈、云网融合的无人机行业云原生服务，带动云-网-端的智能协同。图 48 中移凌云平台65/816 管控关键技术及应用管控关键技术及应用6.1 需求及挑战需求及挑战管控平台需针对低空空域内的飞行设备、飞行人员、飞行过程、资源占用，构建一体化的监管流程，支撑低空空域各信息交互主体间的信息同步，实现监管、运营服务全流程业务打通，无人驾驶航空器全生命周期的身份、用频行为、航迹、频谱、能耗管理，实现低空监管和运营服务能力应用开放，提升监管人员效率，满足业务闭环。（1）无人机身份鉴权难。无人机的身份认证可能面临身份伪造的严峻挑战。恶意用户可能通过篡改或伪造无人机的标识、注册号码等

59、关键身份信息，以规避监管或责任追究。此外，无人机的通信信号也可能受到外部干扰，导致身份认证失效。恶意干扰者可能利用各种手段攻击无人机的通信系统，使得其身份信息难以被准确识别，从而加大了监管难度。（2）设备标准化与管理效率低。设备标准差异显著，严重影响了互操作性和管理效率。不同制造商提供的设备在技术标准、性能参数和接口规范上存在显著差异，导致设备间难以实现无缝对接，增加了生产协调和维护的复杂性。同时，由于缺乏有效的监管手段，难以对设备及其状态进行实时监测和评估，造成潜在故障风险增加。此外，智能管控手段的不足，使得生产过程中难以及时发现和解决问题，延误了整改和整改措施的实施。（3）认证流程繁琐。在

60、认证与适航准入方面，安全参数多层面监测难以全面把控，各类低空飞行器在不同使用环境下，其安全性能要求和认证标准各异，增加了监测的复杂性。同时，传统的认证周期长且效率低，使得新技术和新设备难以快速实现市场准入，未能及时适应快速发展的航空科技。此外，缺乏智能化认证手段，难以通过数据分析实时跟踪和评估认证过程，从而造成资源浪费和效率降低。（4）信息流通与运行效率受限。流通与运行过程中，不同系统之间缺乏有效的系统整合与数据共享，导致信息孤岛现象，阻碍决策的及时性和准确性。权限管理既需严格又需灵活，增加了信息安全挑战。在信息的可追踪性和安全性方面，现有措施无法有效保障信息传递过程中的隐私与完整性，增加运营

61、风险。（5）缺乏多域监测，非法与异常行为难以管控。现有的管理体系往往缺少全局视野，难以覆盖所有可能的监测领域，造成异常行为防范能力的不足。此外，监管手段智能化水平低，无法通过实时数据分析及时捕捉潜在异常，处理滞后。因此，需要加强系统化的多域监测工具研发，结合大数据和人工智能技术，提升对不同领域的监控能力，增强异常行为的识66/81别与响应速度，从而实现更全面的监控和管理。（6）频谱资源共享复杂。在空地和空空通信场景中，频谱共享的复杂性使得合法与非法用频之间的界限难以清晰界定，增加了通信安全的威胁。频谱重叠问题会导致无线信号的严重干扰，影响通信系统的稳定性和可靠性。此外，频谱数据的采集和分析也面

62、临困难，原因在于需要对广泛的频率范围进行实时监测与管理，且现有的分析工具往往无法处理海量的实时数据。（7）续航能力制约能耗管理。受限于电池技术与能量密度，许多设备的续航时间不足，限制了其在长时间任务中的应用，实现连续监控与服务的能力显著下降。此外，数据传输和飞行路径规划的优化尚未达到理想效果，往往导致能耗的增加，使本应高效的操作变得繁重与低效。许多设备在运行中未能高效地利用能源，影响了整体运营效率和可持续性。（8）航迹分析缺失，空域管理监控不足。当前管控机制常无法有效记录历史航迹或实时预测未来行动，导致航迹异常无法及时发现。监控机制的不完善使得对飞行器的管理乏力，难以确保航迹准确性。随着航空流

63、量增长，亟需引入先进的航迹分析技术和实时监控系统，以提高空域管理的有效性和灵活性，确保飞行安全。6.2 关键技术关键技术图 49 展示了管控关键技术内容。首先，可信身份鉴权授权技术是其他管控技术的基础，确保所有用户和设备经过身份认证并获得相应权限，从而防止未授权访问和潜在的安全风险，保障了无人机系统的安全可信性。研发与制造阶段确保设备的规范性和安全性，为后续的认证与适航准入提供良好基础，从而实现高效的无人机资格认证。进入流通与运行阶段时，通过对非法与异常行为的监测，确保在物流传输过程中的信息安全与可追踪行。随后，频谱资源管控为无人机提供保障的通信环境，而能耗管理则通过高效能源使用，支持无人机在

64、实现任务中的持续运行，同时，结合空域航迹规划与管理，利用智能分析和实时管控机制，提升飞行轨迹安全性与通信可靠性。67/81图 49 管控关键技术6.2.1 可信身份鉴权授权可信身份鉴权授权无人机产品类型繁多，监管侧缺乏对无人机身份管理的有效的规则及机制，造成了目前无人机难识别、难监管、难处理等难题，亟需建立完善的接入管理机制实现对无人机运行的可感-可管-可控。（1）无人机匿名远程识别和跟踪无人机匿名远程识别和跟踪：基于 5G 独立组网（Standalone Architecture,SA）架构，在核心网部署无人机专用网络功能（Unmanned Aircraft System Network F

65、unction,UAS NF）完善身份管理。在基站覆盖区，无人机通过用户通道快速上报自行式运输航空器（Common Autonomous Aircraft,CAA）级 UAV ID，通用无人机监管服务平台（UnmannedAircraft Supervision Service Platform,USS）/通用交通管理（Unmanned TrafficManagement,UTM）协同核心网为其设置 5G 网络标识，升级的会话管理功能（SessionManagement Function,SMF）网元支持全球移动通信系统协会（GlobalSystemfor MobileCommunicatio

66、ns Association,GSMA）提出的统一无人机认证授权服务管理流程（Unified68/81UAV Authentication and Authorization-Session Management,UUAA-SM）流程，实现用户身份识别模块（Subscriber Identity Module,SIM）卡与 CAA 级 UAV ID 动态映射，鉴权信息安全加密传输。在基站覆盖区外，依靠 第三代合作伙伴计划（3rd GenerationPartnership Project,3GPP）Release 17 非地面网络卫星回传技术，无人机信号经卫星中转至核心网进行远程验证。该技术融

67、合多种通信方式与核心网功能，构建空天地一体化身份管理体系，在保障无人机身份认证安全可靠的同时，能够实现全域非法无人机的匿名管控，确保监管不留空白区域。（2）用户类型智能识别用户类型智能识别：网联无人机场景下，5G 接入网基站内置指纹识别模块实时收集信号特征信息，前传至边缘节点进行初步分析，提取飞行与传输等关键特征。核心网的无线接入网智能控制器（RAN Intelligent Controller,RIC）作为决策中枢，融合来自综合监管服务平台的多源数据，利用深度学习算法对这些数据深度分析和关联匹配。通过与预定义的用户类型模型对比，能在毫秒级时间内准确判定用户类型，为不同类型用户提供精准管理与服

68、务，满足网联无人机复杂多样应用场景下的监管与服务需求，提升管理效率与精准度。6.2.1.1研发与制造管控技术研发与制造管控技术在低空无人机的研发与制造过程中，面临着多项技术挑战与优化目标，如图 50 所示：图 50 研发与制造管控框架（1）设备标准化设备标准化：行业采用 3GPP PC5 接口/通用陆地无线接入网（UniversalTerrestrial Radio Access Network,UTRAN）通用陆地无线接入（Universal TerrestrialRadio Access,UTRA）接口双模通信架构和物联网（Internet of Things,IoT）标准数据接口规范来推

69、进设备标准化。通信架构明确物理层、链路层和网络层参数与规则，如信号调制、编码、传输速率等细节；数据接口规范统一设备间数据传输格式和电气特性。设备接入时，核心网注册管理模块识别匹配标准，接入网自动适配传输参数。这确保不同制造商设备69/81在核心网和接入网兼容互操作，提升设备开发生产的规范性、产品兼容性与生产维护效率，加快行业标准化进程。（2）“一机一码一机一码”体系体系：制造商为无人机分配唯一身份码，借助 IoT 传感器上传相关参数。运用区块链分布式账本技术，利用其共识机制保障数据一致性和不可篡改，通过网络开放功能（Network Exposure Function,NEF），实现核心网 UA

70、S NF 与生产系统实时数据同步。监管部门通过核心网与区块链交互接口及智能合约，快速精准管理每台无人机，全程追溯全生命周期数据。此技术确保产品合规性，为监管提供详实依据，提升监管效率与可信度，支撑行业可持续健康发展。（3）智能监控与数据分析智能监控与数据分析：研发制造阶段部署大量传感器，经工业物联网接入核心网大数据平台。核心网中的人工智能（Artificial Intelligence,AI）和机器学习（MachineLearning,ML）算法实时处理生产数据，挖掘设备运行效率、产品质量趋势等潜在信息。将这些信息与预设标准模型对比，能快速发现生产瓶颈和质量问题，自动生成预警信息通知相关人员。

71、同时，核心网通过与生产设备控制系统交互，动态调整生产参数进行智能化调控。此技术保障无人机生产的高质量、合规性与安全性，降低运维成本。6.2.2 认证与适航准入管控技术认证与适航准入管控技术图 51 认证与适航准入内容框架（1）多层级安全参数框架：针对低空无人机系统的复杂性，亟需建立多层级安全参数框架，以全面评估无人机的安全性能。该框架应涵盖硬件、软件和通信等多个层面，确保对无人机安全性的全面监测。例如:硬件级监测技术：采用传感器监控（例如加速度传感器、陀螺仪、温度传感器等）以实时跟踪机身结构和动力系统的状态，确保物理完整性。通过物联网技术，将70/81传感器数据传输到中心监控系统，实现数据的实

72、时分析和记录。软件安全性评估：使用静态与动态代码分析工具，如 SonarQube 或评估飞行控制系统和通信协议的安全性。通过代码审查与漏洞扫描技术，识别并修补潜在的安全缺陷。通信监测系统：构建基于人工智能的异常检测系统，监控通信频率和信号强度，识别并响应潜在的网络攻击或信号干扰事件。这一技术可通过机器学习算法，通过对比历史数据来判断实时通信的正常与异常。（2）基于 AI 的快速智能认证方法：考虑到无人机技术的快速更新与升级，亟需优化适航认证周期，以降低人力成本并提高效率。大数据收集与分析：利用云计算平台，如：亚马逊网络服务（Amazon Web Services,AWS）、微软 Azure 等

73、，收集无人机的飞行数据、故障记录和维修信息。通过数据标签和清洗，确保数据质量，为后续分析提供基础。智能特征提取：应用机器学习中的特征选择算法（如决策树、随机森林等），提取关键特征，通过分析历史数据来识别影响认证的关键因素。AI 模型构建与验证：采用深度学习（如神经网络）构建智能认证模型，通过对比真实飞行案例与预测结果，持续迭代与优化模型。利用交叉验证等技术提高模型的鲁棒性和准确性。最终，通过应用该智能认证模型，能够大幅缩短新生产无人机的认证周期，显著提升整体认证效率。如图 51 所示，通过实施多层级安全参数框架和基于 AI 的智能认证方法，可以有效提高无人机的适航性与安全性，确保其在各类任务场

74、景中的可靠性与稳定性。6.2.2.1流通与运行管控技术流通与运行管控技术图 52 流通与运行管控框架71/81（1 1）低空综合信息服务：）低空综合信息服务：融合人工智能与大数据分析技术，无人机、物流中心及配送站传感器收集数据，经多种无线方式接入接入网，再通过高速光纤与核心网连接。云计算与边缘计算协同，边缘节点处理部分实时数据减轻核心网压力，如靠近配送站时进行初步路径规划。核心网整合多源数据后，利用人工智能算法为物流中心提供决策支持，预测到达时间、优化路线，显著增强低空物流配送的效率与可靠性。（2 2）动态权限管理：）动态权限管理：采用基于角色的访问控制（Role-Based Access C

75、ontrol,RBAC）和多因素认证机制，核心网为权限中枢。无人机通过接入网请求权限，核心网验证后，依据预设规则和实时情况，采用决策树等算法动态配置权限，如医疗应急时快速分配飞行和数据访问权限。核心网利用 SDN 技术保障权限信息传输，确保各种操作符合安全规范且高效执行，避免因权限管理不当导致的安全隐患和效率低下等问题。（3 3）信息可追踪性与安全性：）信息可追踪性与安全性：利用区块链技术，无人机关键飞行数据在接入网加密、时间戳标记后传至核心网，再广播到区块链节点。区块链采用权益证明（Proof of Stake,PoS）等共识机制确保数据不可篡改。智能合约通过核心网与各方交互，审计机构经核心

76、网验证授权访问数据。如物流中各方借此查看轨迹状态，增强贸易与物流环节信息透明度，提升供应链协同效率，降低运营风险。6.2.2.2非法与异常行为管控技术非法与异常行为管控技术图 53 非法与异常行为管控框架（1 1）多域精准监测：）多域精准监测：从空域、频谱域、数据域和网络域精准监测无人机。空域通过雷达网和自动相关监视-广播（Automatic Dependent Surveillance-Broadcast,ADS-B）等设备获取飞行状态；频谱域利用地面和机载监测设备收集频率和信号强度；数据域用嗅探器结合入侵检测系统（Intrusion Detection System,IDS）和入侵防御系统

77、（Intrusion72/81Prevention System,IPS）分析数据；网络域通过网络探针检查连接和流量。各域数据在核心网汇聚，经数据融合算法关联分析，全方位掌握无人机运行，及时发现非法异常行为，确保空域安全有序。（2 2）四位一体管理体系：）四位一体管理体系：构建“非法 ID 拒止”、“用频行为异常发现与意图预测”、“异常用频与轨迹无人机侧向定位”和“数据异常检测”的四位一体管理体系，对低空飞行器行为进行全面监测与管理，以确保其安全与有序运行。例如，针对非法 ID 无人机，应用“非法 ID 拒止”机制阻止其接入网络；对用频行为异常的无人机，通过“用频行为异常发现与意图预测”机制识

78、别并预测其行为，以制定防范措施；对于异常用频和飞行轨迹的无人机，利用“异常用频与轨迹无人机侧向定位”进行快速定位和追踪；而“数据异常检测”机制则及时发现数据异常，防止信息泄露和篡改。（3 3）监管准确性与时效性：）监管准确性与时效性：面对未来在异构设备、大规模网络及复杂的空中、电磁、数据和网络环境中运行的数字低空网络，现有监管手段存在单一、监测能力不足的问题。因此，需综合运用人工智能、大数据和物联网等技术手段，以提升监管的智能化水平。例如，利用人工智能分析监测数据，建立智能监管模型，实现无人机行为的自动监测与预警；如图6-5 所示，运用大数据技术深入分析飞行、通信和任务数据，以挖掘潜在的安全风

79、险；通过物联网技术实现对无人机的实时定位与追踪，从而提高监管的准确性和时效性。6.2.2.3频谱资源管控技术频谱资源管控技术频谱资源管控技术旨在解决频谱共享中的挑战，优化频谱使用效率，确保通信与导航的安全性。图 54 频谱资源管控框架如图 53 所示，频谱资源管控技术旨在解决低空飞行器在通信和导航中的频谱共享问题，73/81优化频谱使用效率，确保通信与导航的安全性。低空飞行器的高机动性和动态任务使得频谱资源的共享变得复杂，飞行器网络具有任务临机突发、拓扑和成员数量随需而动、频谱环境瞬息变化、可用资源随时调整的特征，反复决策、错误频谱接入将导致更多的切换开销和信道中断，导致航空器网络难以安全高效

80、运维甚至瘫痪。因此，频谱资源管控技术需要通过智能化的频谱感知、动态分配和干扰协调，确保频谱资源的高效利用和通信的可靠性。图 55 低空智联网用频场景（1 1）任务驱动的集群频谱协同任务驱动的集群频谱协同：针对多飞行器临机任务，构建任务与通信需求映射模型，精准解析任务对频谱在时延、可靠性等方面的需求。针对集群开展频谱接入博弈机理与快速决策算法设计，实现任务层与频谱层深度匹配，提升任务执行效率与频谱利用效能。（2 2）动态变化的临机集群干扰协调动态变化的临机集群干扰协调：应对飞行器集群拓扑及干扰的复杂时变特性，构建基于实时航迹的干扰协调模型，通过动态干扰图描述集群间用频冲突。基于动态图博弈理论，建

81、立频谱接入模型，实现集群间干扰协调。该机制综合多目标需求，提高频谱资源与集群的匹配质量，降低干扰影响，增强网络通信稳定性与频谱利用效率。（3 3）复杂电磁环境智能频谱决策）复杂电磁环境智能频谱决策:针对复杂电磁环境，采用多目标强化学习方法。结合深度强化学习（Deep Reinforcement Learning,DRL）与迁移学习理论，度量历史情景相似性，为频谱决策提供参考。构建各飞行器的本地用频决策与价值函数更新机制。在动态未知环境中，促使飞行器基于本地知识与实时学习决策，快速适应环境，提升复杂环境下频谱74/81接入与抗干扰能力。6.2.2.4能耗管控技术能耗管控技术图 56 能耗管控框架

82、（1 1）高效能源储存技术：）高效能源储存技术：研发新型电池技术如固态、锂硫电池，探索超级电容器等替代能源。无人机配备电池管理系统（Battery Management System,BMS）监测电池参数，经无线接入网和核心网传至地面平台。核心网智能算法基于深度学习评估电池健康、预测剩余电量，优化充放电策略。能量回收装置回收能量并反馈优化。该技术大幅提升能源利用率，延长无人机续航，满足更多任务需求。（2 2）数据传输和飞行路径规划数据传输和飞行路径规划：边缘节点结合人工智能与边缘计算动态调整数据传输。实时监测参数，通过强化学习选择最优通信条件。核心网提供实时信息，边缘节点用 DRL算法规划路径

83、。接入网和核心网压缩数据，降低传输能耗。此技术实现能耗优化和动态电源分配，提高整体系统能源利用效率，降低运营成本。图 57 低空智能航迹规划场景图75/81（3 3）运营效率与可持续性运营效率与可持续性：如图 56 所示，通过上述技术提升无人机续航和任务成功率。核心网部署能耗监测系统，分析能耗规律建立预测模型。结合生命周期评估方法评估生命周期环境影响，为运营者提供决策参考。运营者据此优化任务计划与设备配置，降低成本，增强无人机可持续发展能力，实现经济与环境效益双赢。6.2.2.5空域航迹规划管控技术空域航迹规划管控技术如图 58 所示，目前的空域管理系统缺乏对无人机历史及未来位置或轨迹的获取与

84、分析能力，这导致难以对无人机的飞行行为进行长期评估和预测。此外，无法实时发现无人机的轨迹异常，使得无法及时分析实际轨迹与计划轨迹之间的偏差，从而增加了空域安全风险。图 58 空域航迹规划管控系统框架（1 1）智能导航与航迹优化智能导航与航迹优化：核心网接入和移动性管理功能（Access and MobilityManagement Function,AMF）与网络数据分析功能（Network Data Analytics Function,NWDAF）的 AI 能力融合，长短期记忆网络（Long Short-Term Memory network,LSTM）和卷积神经网络（Convolutio

85、nal Neural Network,CNN）分析历史飞行数据构建模型，捕捉时空特征、揭示飞行规律。核心网收集气象等实时信息与航迹系统融合，边缘节点依此及模型规划航迹。飞行中实时监控障碍，通过核心网与无人机通信及时调整路径，确保飞行高效安全，提高任务执行效率和成功率。（2 2）三维航迹设计与空中走廊构建三维航迹设计与空中走廊构建：基于解耦表征学习方法，利用生成对抗网络（GAN）构建空中走廊的信号传播模型，以精确预测各区域的信号强度和覆盖范围。通过分析传输信号在不同环境下的变化，可以优化空中走廊的设计，使其对各种飞行条件更加适应。同时，借助最小均方误差和有序统计基于环境的自适应波束形成技术，智能

86、优化基站的波束方向、功率和频率等参数，确保在高度集中用户流量的区域能实现稳定通信。这种全面的信号预测和波束优化方案，从而为无人机的无线通信需求提供坚实保障，进而提高其飞行安全性和任76/81务成功率。（3 3）实时航迹管控机制：）实时航迹管控机制：针对无人机轨迹异常或与计划轨迹的偏差，建立实时航迹管控机制，通过智能化的卷积神经网络（CNN）和自编码器（Autoencoder）实施异常检测，能够迅速识别不正常轨迹并自动启动调整指令。此机制不仅提高了响应时间，还增强了整个空域管理系统的适应性。在此基础上，利用软件定义网络（SDN）和网络切片技术，可以动态管理和优化网络资源，确保传输的稳定性和可靠性

87、，为无人机提供实时监控和反馈。通过协同工作，确保周边无人机在接到避让通知后能够有效规避潜在冲突，极大地降低空域安全风险，提升空域的管理效率。6.3 应用案例应用案例应用案例应用案例 1 1：南京智慧航空研究院：南京智慧航空研究院“低空安全联合管控系统低空安全联合管控系统”南京智慧航空研究院与南京航空航天大学密切合作，参与“江苏省低空飞行服务中心建设项目”，负责空域服务管理和无人机服务管理平台的搭建。该项目创新了低空空域协同管理模式，构建了由省、市、区三级组成的低空飞行服务体系，提升了低空飞行的综合服务保障能力。借助智慧航空研究院研发的智慧低空空域服务平台（智空 1.0），实现了政府、运营企业和

88、低空飞行用户的协同管理，具备低空数字规划、动态管理、飞行计划管理、运行监控和无人机管理等功能，使得无人机能够在划设空域中“飞得起来、管得好”。该系统集成了结合空域航迹规划管控技术，利用智能导航与航迹优化，动态调整飞行路径，确保飞行安全；此外，系统还采用了频谱资源管控技术，通过空地协同频谱感知布局优化，实时监测频谱使用情况，防止非法用频行为。该平台在低空长江海事巡检、交通巡检、水文监测和森林防火等应用场景中发挥了重要作用，为江苏省低空经济的发展提供了强有力的支持。图 59 低空安全联合管控系统77/81应用案例应用案例 2 2：南京航空航天大学天地一体频谱认知智能实验室设计的低空安全管控软件南京

89、航空航天大学天地一体频谱认知智能实验室设计的低空安全管控软件平台平台图 60 低空安全管控软件平台南京航空航天大学天地一体频谱认知智能实验室研制了低空安全管控软件平台，包括低空空域安全、频谱安全、网络安全与数据安全的全方位监管态势。低空安全管控平台支撑的低空智联网理论技术创新及长江南京段示范应用曾入选“2022-2023 年度中国物联网十大科技进展”。78/81参考文献参考文献1 中国移动，“低空智联网技术体系白皮书”，2024 年2 IMT-2030(6G)推进组，“6G 感知的需求和应用场景研究”，2023 年3 IMT-2030(6G)推进组，“6G 通感融合系统设计研究报告”，2023

90、 年4 IMT-2030(6G)推进组，“6G 通信感知一体化评估方法研究报告”，2023 年5 粤港澳大湾区数字经济研究院，“低空经济发展白皮书（2.0）全数字化方案”，2023 年6 上海中创产业创新研究院，“上海低空经济发展白皮书”，2024 年7 IMT-2030(6G)推进组，“通信感知一体化技术研究报告”，2023 年8 低空产业联盟，“低空智能网联体系参考架构”，2024 年9 中国通信学会，“通感算一体化网络前沿报告”，2021 年10 中国电子信息产业发展研究院.2024 赛迪论坛：新型工业化新理论新实践M.中国电子信息产业发展研究院,2024.11 中国航空学会.2024

91、低空经济场景白皮书（1.0）M.中国航空学会,2024.12 算力基础设施高质量发展行动计划编写组.算力基础设施高质量发展行动计划M.算力基础设施高质量发展行动计划编写组,2023.13 联通（江西）产业互联网有限公司.通感一体网络在低空经济中的应用J.产业,2024(19):16-18.14 蔡晓晴,邓尧,张亮,等.区块链原理及其核心技术J.计算机学报,2021,44(1):85-107.15 郭上铜，王瑞锦，张凤荔。区块链技术原理与应用综述 J.计算机科学，2021,48(2):372-381.16 魏松杰，吕伟龙，李莎莎。区块链公链应用的典型安全问题综述 J.软件学报，2022,33(1

92、):324-355.17 邱勤，徐天妮，于乐，等。算力网络安全架构与数据安全治理技术 J.信息安全研究，2022,8(4):340-350.18 秦超霞，郭兵，沈艳，等。区块链的安全风险评估模型 J.电子学报，2021,49(1):117-124.19赵倩颖，邢文娟，雷波，等。算力时代下的算力服务需求与特征思考 J.业务与运营，2021(14):14-18.20陈世康，周冰，曹宝，等。无人机安全通信协议研究综述 J.通信技术，2024,57(3):213-221.21王耀南，安果维，王传成，等。智能无人系统技术应用与发展趋势 J.中国舰船研究，2022,17(5):9-26.79/81缩略语缩

93、略语缩略语缩略语全称全称中文释义中文释义CIMCity Information Model城市信息模型FSOFree Space Optical自由空间光A2AAircraft-to-Aircraft飞行器到飞行器A2IAircraft-to-Infrastructure飞行器到基础设施2B2CTo Business To Consumer面向企业，面向个人TFLOPSTera Floating-point Operations Per Second每秒万亿次浮点运算XRExtended Reality扩展现实3DThree-dimensional三维AIArtificial Intellig

94、ence人工智能MCUMicro Controller Unit单片微型计算机CPUCentral Processing Unit中央处理器GPUGraphics Processing Unit图形处理器FPSFrame Per Second画面每秒传输帧数UAS NFUnmanned Aircraft System Network Function无人机专用网络功能SAStandalone Architecture独立组网CAACommon Autonomous Aircraft自行式运输航空器USSUnmanned Aircraft Supervision Service Platform

95、通用无人机监管服务平台UTMUnmanned Traffic Management通用交通管理SMFSession Management Function会话管理功能SAMAGlobal System for Mobile CommunicationsAssociation全球移动通信系统协会UUAA-SMUnified UAV Authentication and Authorization-Session Management统一无人机认证授权服务管理流程SIMSubscriber Identity Module用户身份识别模块3GPP3rd Generation Partnership

96、Project第三代合作伙伴计划RANRadio Access Network无线接入网RICRAN Intelligent Controller无线接入网智能控制器UTRANUniversal Terrestrial Radio Access Network通用陆地无线接入网UTRAUniversal Terrestrial Radio Access通用陆地无线接入IoTInternet of Things物联网NEFNetwork Exposure Function网络开放功能AIArtificial Intelligence人工智能MLMachine Learning机器学习80/81缩

97、略语缩略语全称全称中文释义中文释义AWSAmazon Web Services亚马逊网络服务RBACRole-Based Access Control基于角色的访问控制PoSProof of Stake权益证明ADS-BAutomatic Dependent Surveillance-Broadcast雷达网和自动相关监视-广播IDSIntrusion Detection System入侵检测系统IPSIntrusion Prevention System入侵防御系统PSOParticle Swarm Optimization粒子群优化算法GAGenetic Algorithm遗传算法BMSB

98、attery Management System电池管理系统DRLDeep Reinforcement Learning深度强化学习AMFAccess and Mobility Management Function接入和移动性管理功能NWDAFNetwork Data Analytics Function网络数据分析功能CNNConvolutional Neural Network卷积神经网络GANGenerative Adversarial Network生成对抗网络ADNSoftware Defined Network软件定义网络eVTOLElectric Vertical Take-O

99、ff and Landing电动垂直起降飞行器UASUnmanned Aircraft System无人驾驶航空系统UAVUnmanned Aerial Vehicle无人机UAMUrban Air Mobility城市空中出行C2Command and Contral指挥与控制USSUAS Service Supplier无人机服务供应方UAEUAS Application Enabler系统应用使能SEALService Enabler Architecture Layer服务能力架构层A2XAircraft-to-Everything飞行器对万物DAADetect and Avoid探测

100、避让UTMUnmanned Aircraft Traffic Management无人机交通管理OTTOver-the-top过顶OAMOperation Administration and Maintenance操作维护管理FD-RANFully-Decoupled Radio Access Network全解耦接入网络81/81致致 谢谢单位名称单位名称贡献人员贡献人员西安电子科技大学盛敏、刘俊宇、李建东、赵晨曦、周国荣中国移动研究院李新、孙奇、王阳南京航空航天大学董超、屈毓锛、周福辉、戚楠、冯斯梦、王蔚鹏城实验室陶小峰、李伟超、陈昊、姜帆、邹龙昊、李强、胡雪阳、罗东琦、周建二、黄宾虹维沃移动通信有限公司袁雁南、田佳雯、姜大洁中国移动通信集团陕西有限公司周敏、李晖、狄文远、王伟中国移动(成都)产业研究院苏郁、程倩倩中国移动通信集团设计院有限公司董江波、齐航南京大学周海波、张子天、许云霆、薛鉴哲、袁毅北京理工大学曾捷、杨铮北京邮电大学刘晨熙、彭木根、胡小玲、郭凤仙大连理工大学赵楠