《未來移動通信論壇：2025年數字低空網絡架構、覆蓋及關鍵技術白皮書（85頁）.pdf》由會員分享，可在線閱讀，更多相關《未來移動通信論壇：2025年數字低空網絡架構、覆蓋及關鍵技術白皮書（85頁）.pdf（85頁珍藏版）》請在三個皮匠報告上搜索。

1、摘摘 要要本白皮書論述了數字低空網絡發展趨勢，闡述了數字低空網絡特征、覆蓋和基本架構，從結構層次、功能定位和安全規范等角度，分析了三種關鍵架構模型，包括數字低空網絡基本架構、通感算融合架構、低空安全管控技術體系架構等，闡明了數字低空網絡在覆蓋能力方面與現有相關系統之間的關系；圍繞數字低空網絡的通信、感知、算力、管控等核心要素，系統論述了業務需求及面臨的挑戰、關鍵技術和應用案例。希望本白皮書能為產業在低空數字網絡發展趨勢、網絡架構、覆蓋及關鍵技術設計、研發、部署及應用等方面提供參考和指引。目目錄錄1 數字低空網絡發展趨勢與標準進展數字低空網絡發展趨勢與標準進展.11.1 數字低空網絡范疇.11.

2、2 數字低空網絡發展趨勢與競爭格局.41.3 典型場景分析.61.4 數字低空網絡業務需求分析.71.5 數字低空網絡架構覆蓋相關標準進展.92 數字低空網絡特征、覆蓋及基本架構數字低空網絡特征、覆蓋及基本架構.102.1 數字低空網絡特征與覆蓋能力.102.2 數字低空網絡基本架構.132.3 數字低空網絡通感算融合架構.172.4 低空安全管控技術體系架構.182.5 數字低空網絡覆蓋與相關系統的關系.193 通信關鍵技術及應用通信關鍵技術及應用.203.1 需求及挑戰.203.2 關鍵技術.223.2.1 立體覆蓋.223.2.2 干擾控制.273.2.3 可靠保障.293.2.4 安全

3、可控.303.3 應用案例.344 感知關鍵技術及應用感知關鍵技術及應用.384.1 需求及挑戰.384.2 關鍵技術.394.2.1 空地協同頻譜感知.394.2.2 空地協同頻譜態勢構建.414.2.3 空地協同無人機探測.454.3 應用案例.495 算力關鍵技術及應用算力關鍵技術及應用.535.1 需求及挑戰.535.2 關鍵技術.565.2.1 協同計算技術.565.2.2 自適應通算一體技術.595.3 應用案例.636 管控關鍵技術及應用管控關鍵技術及應用.656.1 需求及挑戰.656.2 關鍵技術.666.2.1 可信身份鑒權授權.676.2.2 認證與適航準入管控技術.69

4、6.3 應用案例.76參考文獻參考文獻.78縮略語縮略語.79致致 謝謝.811/811 數字低空網絡發展趨勢與標準進展數字低空網絡發展趨勢與標準進展1.1 數字低空網絡范疇數字低空網絡范疇數字低空網絡是以無人機及其他低空飛行器為載體，依托先進的通信技術與數據處理手段，在低空空域實現高效數據傳輸的網絡系統，成為推動低空經濟發展的關鍵力量。通過蜂窩網絡與衛星通信融合的立體覆蓋模式，數字低空網絡構建 0-300 米空域的連續服務能力。伴隨著無人機技術、人工智能以及通信技術的持續進步，數字低空網絡正日益融入智能城市構建、物聯網擴展以及應急管理等多個領域，成為這些領域的核心組成部分，有力促進了低空經濟

5、的蓬勃發展。數字低空網絡的應用范圍廣泛，涵蓋了應急通信、災害救援、農業與環境監測，以及無人駕駛和車聯網的實時數據交互等多個方面。通過低空無人機、中繼設備以及地面基站的高效協同作業，該網絡能夠提供穩定的廣域覆蓋，為低空經濟中的各類應用提供強有力的支持。然而，在技術實現過程中，數字低空網絡仍面臨諸多挑戰，如復雜環境下的通信可靠性問題、干擾管理難題、頻譜資源的優化分配，以及能源與續航能力的平衡等。同時，安全性和隱私保護也是其設計中的關鍵環節，必須確保數據傳輸的機密性與抗干擾能力，以及用戶位置信息的有效保護，從而為低空經濟的健康發展提供堅實保障。數字低空網絡與國家當前規劃的三大信息網絡（衛星互聯網、算

6、力網和 6G 網絡）在戰略部署上高度契合。作為國家信息網絡體系的重要組成部分，數字低空網絡不僅能夠通過與衛星互聯網協同，填補高空與地面間的覆蓋盲區，實現空天地一體化的信息傳輸；還可依托算力網的分布式計算資源與實時數據處理能力，大幅提升網絡的智能化水平。此外，隨著6G 網絡的逐步部署，其超高帶寬與低延時特性將進一步優化數字低空網絡的數據傳輸效率，推動其從通信功能向通感智算融合方向邁進，為國家數字化轉型和科技強國戰略提供堅實支撐。數字低空網絡作為新質生產力的重要支撐，與其核心特征高度契合。新質生產力以數據為生產要素、算法為生產工具、智能化為生產目標，而數字低空網絡憑借低時延、高帶寬和高可靠的通信能

7、力，利用空基覆蓋能力提供了堅實的基礎設施。同時，數字低空網絡通過廣域覆蓋與多節點協同，成為連接物理世界與數字世界的橋梁，不僅顯著拓展了生產力的空間邊界，還通過多跳中繼和空地協作最大化資源利用效率，從而進一步釋放新質生產力的潛力。數字低空網絡對新質生產力的推動作用體現在多個維度，且其對定位和測速的高精度要2/81求進一步增強了其應用價值。首先，它通過支持大數據和人工智能的實時決策與精準控制，為生產模式注入智能化因素，例如在智慧農業中，無人機利用低空網絡采集土地數據，實現精準播種和施肥。其次，數字低空網絡能夠動態分配生產要素，如設備、能源和勞動力，有效降低浪費，提高資源利用效率，這在災害救援中尤為

8、突出，通過快速建立通信鏈路實現人力物力的最優調度。此外，它還增強了供應鏈的透明性與韌性，通過實時監控與反饋減少物流和倉儲環節的不確定性，從而優化全鏈條的運營效率。最后，數字低空網絡與傳統產業深度融合，如無人機配送和空中巡檢等場景，依托低空網絡廣域覆蓋能力，推動產業向數字化、網絡化方向升級，助力生產力的躍遷與質變。數字低空網絡通過異構組網技術覆蓋偏遠和資源匱乏地區，有效彌補偏遠和資源匱乏地區的信息鴻溝，促進區域協調發展。同時，作為一個開放的技術平臺，數字低空網絡吸引了多學科交叉創新和多領域協同發展，通過覆蓋能力與邊緣計算、區塊鏈技術的深度融合，加速人工智能、邊緣計算與區塊鏈等技術的迭代升級，為新

9、質生產力的快速演進提供了強大驅動。表 1 數字低空網絡與新質生產力總結領域數字低空網絡的作用新質生產力的核心特征體現應用場景智能化生產支持實時數據處理和分析以數據為生產要素智慧農業中的精準種植動態資源分配實現快速、靈活的資源調度算法為生產工具災害救援中的物資配送供應鏈優化提供透明、高效的物流管理智能化為生產目標無人機快遞服務產業融合升級推動傳統產業數字化轉型傳統產業向數字化轉變電力巡檢與維護區域協調發展彌補信息鴻溝，促進均衡發展促進區域間的信息共享偏遠地區的遠程教育技術創新驅動加速新技術的研發與應用多學科交叉創新無人駕駛飛行器的研發3/81數字低空網絡作為低空通信領域的重要組成部分，與衛星互聯

10、網、算力網、6G 網絡等國家戰略信息網絡緊密關聯，共同構成未來全覆蓋、廣連接、高智能的數字基礎設施。其協同作用和發展方向將推動我國信息產業和經濟社會的全面數字化轉型。衛星互聯網通過高軌、中軌和低軌衛星網絡，實現全球無縫覆蓋，尤其在海洋、沙漠、極地等傳統通信盲區具備獨特優勢，而數字低空網絡則聚焦于低空和近地通信的細化部署，擅長覆蓋城市樓宇間、山區溝壑等復雜地形區域。兩者結合形成高軌（衛星）低空（無人機）地面（基站）的三層通信架構，提供真正意義上的全域無縫覆蓋。同時，它們在能力上相互協同，衛星互聯網提供高帶寬和廣域連接的主干網絡，數字低空網絡則通過多跳中繼增強通信密度和低時延性能。在應急場景中，衛

11、星互聯網快速搭建主干網絡，數字低空網絡負責區域內的精細化通信任務，確保整個網絡具備動態適應能力與高效運作水平。圖 1 數字低空網絡與衛星互聯網算力網作為國家智能化計算與資源調度網絡，依托數字低空網絡的通信支撐，實現算力資源的高效協同和優化部署。數字低空網絡通過提供高速、可靠的數據傳輸路徑，將算力需求快速分發至邊緣節點，特別是在無人機群協作和智能設備實時交互等場景中，有效提升資源利用效率。低空網絡憑借靈活的拓撲結構和空中中繼能力，支撐算力節點的動態調度與實時協同，滿足高計算需求場景下（如大規模無人機編隊）的任務處理要求。在推動算網一體化方面，數字低空網絡通過靈活的通信接口實現“網隨算動”，將移動

12、算力與網絡能力深度融合，為智能化應用提供堅實保障。數字低空網絡以超高頻段、超低時延、超大連接和超高智能為特征，在實現三維覆蓋中發揮關鍵作用，為低空經濟提供高效穩定的技術支撐，而其人工智能原生特性推動了無人機4/81集群、自適應波束賦形等技術的智能化升級，進一步提升通信效率和資源利用率。邊緣智能與空天地一體化架構增強了低空網絡的適應性與彈性，并支持沉浸式通信、全息投影等新應用在低空場景的廣泛落地，助力無人機物流、空中娛樂、城市管理與應急通信等領域的智能化創新。數字低空網絡與衛星互聯網、算力網和 6G 網絡構成了國家三大信息網絡戰略部署的有機整體。通過相互補充、協同發展，低空網絡不僅填補了通信覆蓋

13、和算力調度的空白，還推動了空天地一體化信息網絡的構建，為未來社會的智能化、數字化發展奠定了堅實基礎。1.2 數字低空網絡發展趨勢與競爭格局數字低空網絡發展趨勢與競爭格局數字低空網絡融合多領域技術，鏈條覆蓋上下游多個環節，服務范圍廣泛，帶動效應顯著，推動低空制造、飛行服務、保障體系等領域的高速發展。從消費來看，數字低空網絡能助力消費升級和投資增長。從消費來看，數字低空網絡能助力消費升級和投資增長。近年來，無人機技術開辟了許多全新的消費場景，例如解決“最后一公里”配送難題、利用“支線級”無人機提升物流效率、開發景區“空中游覽”帶來全新旅行體驗，以及推動無人機助力智慧城市建設等。預測到 2040 年

14、和 2050 年，全球城市空中交通市場的規模將分別達到 7 萬億美元和 9 萬億美元。中國市場需求旺盛，預計將占據全球市場的 30%以及亞太地區市場 55%，對國民經濟的綜合貢獻值將達到 5 萬億元，突出其在推動消費升級和投資回報的巨大潛能。從要素來看，建立空域使用權是推動低空空域資源轉化的關鍵路徑。從要素來看，建立空域使用權是推動低空空域資源轉化的關鍵路徑。低空空域作為尚未充分開發的自然資源，是一片未被深入探索的“無人區”。如果能夠通過數字化手段構建可計算的空域模型，推動低空空域向可量化、可分層、可利用、可權益化和可資本化的經濟資源轉型，并設立“空域使用權”新型生產要素，將為低空空域的確權、

15、開發、流轉與利用提供有力支撐。從標準來看，加快數字低空網絡的標準創設是助力國際競爭的關鍵舉措。從標準來看，加快數字低空網絡的標準創設是助力國際競爭的關鍵舉措。當前國際社會在數字低空網絡領域的標準制定仍主要基于對商業航空和通用航空規則的延展，缺乏針對低空經濟新問題的全面解決方案。在全球低空領域“競標爭先”的背景下，推進低空智能融合基礎設施建設，借助全數字化和數據優勢，加速制定涵蓋產品、人員、運行、責任、權利、登記、環境、安保、保險等方面的規則和標準，有助于掌握行業發展和科技競爭的主動權。我國數字低空網絡雖然起步較晚，但發展勢頭迅猛。截至 2023 年底，全國在冊通用機5/81場數量已達 449

16、個，是 2015 年的 7.5 倍。同年，無人機行業實現 300 億元的產值及 1170億元的運營與服務收入。我國憑借龐大的城市規模、快速增長的商務需求，以及依托傳統航空制造業和無人機產業的優勢，已在粵港澳大灣區、長三角地區等改革試點城市顯示出巨大的市場潛力。長三角地區在數字低空網絡領域展現出優越的市場環境和產業優勢。長三角地區在數字低空網絡領域展現出優越的市場環境和產業優勢。以上海為核心的長三角區域，形成了技術創新與市場應用的雙重驅動力。區域經濟體量大、產業基礎雄厚、需求多元化，為數字低空網絡的快速發展奠定了堅實基礎。上海市政府積極推動未來空間產業集群的建設，重點突破傾轉旋翼、復合翼和智能飛

17、行等關鍵技術，并探索空中交通新模式，增強低空覆蓋能力。江蘇南京自 2020 年起便擁有無人機基地，并位于全國首批民用無人駕駛航空試驗區。此外，長江南京段建成全國首個 5G 低空智聯網智慧立體巡航體系，為數字低空網絡應用提供了示范樣板。浙江杭州在 2022 年建成無人機運行管理服務中心，為無人機行業的運營和管理提供了重要保障。安徽合肥則在 2023 年完成了億航智能 EH216-S 無人駕駛載人航空器的全球商業首飛演示?；浉郯拇鬄硡^位于國內和全球數字低空網絡領域頭部梯隊?；浉郯拇鬄硡^位于國內和全球數字低空網絡領域頭部梯隊。以深圳、廣州、珠海為核心，大灣區吸引了包括億航智能、大疆創新和順豐豐翼科技

18、等一批優質企業。深圳形成了從模具制造、平臺開發到產品生產的一體化完整產業鏈。截至 2023 年底，深圳擁有 1700 多家無人機企業，總產值達 960 億元，消費級無人機全球市場占有率高達 74%，工業級無人機國內市場占比約 55%，穩居全球民用無人機生產基地的首位。廣州市政府陸續推出多項空天產業扶持政策，為數字低空網絡發展提供了政策支持。廣州開發區已聚集了 40 多家低空產業鏈企業，涵蓋了從上游的研發設計、原材料和零部件制造，到中游飛控、導航、通信覆蓋和任務載荷系統等關鍵環節，再到下游物流和智慧城市管理等多場景應用與服務。盡管如此，我國數字低空網絡的發展仍面臨技術瓶頸。低空通信、導航和監管等

19、關鍵技術尚不完善，傳統點對點通信、衛星定位、低慢雷達等技術存在覆蓋范圍有限覆蓋范圍有限、組網能力不組網能力不足、定位精度偏低以及監管能力薄弱足、定位精度偏低以及監管能力薄弱等問題，這些技術短板亟待突破以支撐低空經濟的持續發展。近年來，全球低空數字網絡呈現快速發展的態勢，2022 年全球低空數字網絡市場規模已突破千億美元大關，展現出巨大的增長潛力和投資吸引力。全球范圍內，傳統飛機制造商和汽車企業也在積極進軍這一領域。已有近 350 家企業參與設計，涵蓋了從短途客運到貨運、城市空中交通、覆蓋增強等多種應用場景。6/81美國低空數字網絡產業處于全球領先地位。美國低空數字網絡產業處于全球領先地位。美國

20、擁有完整的工業級無人機產業鏈，其通用航空業務涵蓋個人飛行、航空觀察以及航空運輸等領域。上游包括無人機初創公司、航空防務公司、互聯網巨頭推動的無人機配送項目，以及芯片與半導體制造商；下游則涵蓋工程與農業機械公司、物流企業等應用服務商。此外，美國國家航空航天局專門成立了無人機應用中心，致力于推動無人機在民用領域的研究和創新。近年來，美國的 eVTOL 行業不僅注重民用市場，還顯著涉及軍事用途。美國空軍發起的“敏捷至上”項目正是整合政府資源與行業力量的典范。歐洲初步形成完備的低空數字網絡產業鏈。歐洲初步形成完備的低空數字網絡產業鏈。西歐國家作為全球無人機三大主要制造市場之一，其研發創新能力突出。德國

21、、奧地利和瑞士推動飛行汽車與無人機技術的協同發展，為未來交通提供了更多可能性。在電動垂直起降飛行器(Electric Vertical Take-Off andLanding,eVTOL)領域，德國的 Lilium、Volocopter，以及英國的 Vertical Aerospace 已成為全球領先的企業代表，展現了歐洲在未來空中交通領域的強勁競爭力。早在 2004 年，歐洲便啟動了單一天空空管研究項目，專注于開發新一代空中交通管理系統。東南亞地區攜手推動數字低空網絡多樣化發展。東南亞地區攜手推動數字低空網絡多樣化發展。日本在空中交通領域布局較早，政策和產業規劃推動數字低空網絡發展。日本制造

22、業巨頭豐田早已進軍數字低空網絡領域，顯示出跨行業協同發展的趨勢。韓國政府宣布將投入 1.2 萬億韓元發展無人機行業，預計到 2025年將創造 16.4 萬個新就業崗位，并實現 4.1 萬億韓元的市場規模。此外，東南亞整體氣候和地理條件為無人機技術的快速推廣創造了獨特的市場機會。從物流配送到農業監測、災害應急和島嶼間交通，無人機在印尼的廣泛應用潛力巨大。日本和韓國以先進技術和產業規劃為基礎，推動數字低空網絡的全球競爭力；而東南亞則通過獨特的市場需求和應用場景，為無人機產業提供了新興發展空間。1.3 典型場景分析典型場景分析數字低空網絡應用場景涵蓋廣泛，包括物流配送、環境檢測與保護、農業植保、公共

23、安全與應急響應等。物流配送物流配送：無人機在物流配送方面展現出了極大的潛力。無論是在交通擁堵的都市，還是地形復雜或交通不便的山區和海島，無人機都能夠獨立或與其他交通方式協同，高效完成對時效性要求較高的生鮮食品、緊急藥品或貴重物品的快速遞送。無人機物流配送在國內的實際應用已逐漸普及。如 2024 年 3 月，重慶啟動了無人機快遞山地項目，無人機通過自主路徑規劃，僅用 20 分鐘即可從物流中心將包裹送到山間農戶手中，大幅提升配送效率。7/81環境檢測與保護環境檢測與保護：無人機在環境檢測與保護中以其高效、精準、靈活的特點發揮了重要作用。無人機搭載高光譜傳感器和高清攝像頭，能夠實時監測湖泊、河流、海

24、洋等水域的水質變化，快速發現污染源。在江蘇太湖地區，無人機機庫組網對水質進行全天候監測，實時采集數據并發出預警，為水污染治理提供了可靠支持。無人機還可以搭載空氣傳感器，飛行至不同高度采集空氣樣本，檢測 PM2.5、二氧化硫、臭氧等污染物濃度，生成三維污染分布圖，輔助制定科學的空氣治理方案。在自然保護區，無人機用于監測植被覆蓋、動物活動和棲息地變化，同時還能發現非法采伐、盜獵等行為。農業植保農業植保：在農業植保中無人機同樣應用廣泛，極大地提升了農業生產效率和精準化管理水平。中國電子信息產業發展研究院產業政策研究所所長王昊提到，2019年至2024年間，我國農業無人機市場保有量持續增長，特別是在新

25、疆、江西等地，由于其獨特的農業特點、地形條件及政策支持，農業無人機的銷量占比顯著。利用無人機進行精準植保作業，不僅可以大幅提高效率，降低農藥和水的使用量，還能減少農藥飄散，降低環境污染，保障人員安全。數據顯示，采用無人機植保作業，每小時可覆蓋120150畝農田。同時，通過GPS等智能技術進行實時監控，可實現精準作業，有效應對農業勞動力減少和規?；s化經營的需求。公共安全與應急響應公共安全與應急響應：在公共安全與應急響應方面，無人機憑借其快速反應、立體覆蓋能力、靈活性強和實時數據采集能力，成為應急響應中的重要工具。在自然災害發生時，如地震、洪水、火災等，無人機可以迅速飛往災區，通過多機協同組網

26、形成動態覆蓋網絡進行空中偵察，獲取災區的實時圖像和視頻，幫助救援人員評估災情。這種高效的監測方式大大縮短了災后評估時間，提升了響應速度。無人機配備紅外熱成像儀可以實時監測火災熱點，快速定位火源，特別是在大型火災或難以進入的地區。無人機還能夠為滅火人員提供火場全景圖，輔助指揮決策，避免消防人員的盲目性和高風險。在 2024 年 7 月，內蒙古大興安嶺北部林區發生雷擊森林火。當地植被茂密，地勢復雜，火勢蔓延迅速，對當地生態和居民安全構成了嚴重威脅。通過無人機與內蒙古森林消防總隊地面救援力量緊密配合，形成“空天地一體化”的高效應急救援體系，有效克服了地形險峻、植被密集和天氣多變等不利因素，確保了救援

27、行動的連續性和高效性，最終實現了對火場的全面控制。1.4 數字低空網絡業務需求分析數字低空網絡業務需求分析隨著數字低空網絡，應用場景的多元化，數字低空網絡業務需求也日益增長，主要體現在以下三個方面:一是低空通信需求，主要是面向廣域超視距的無人機數據和圖像傳輸需求;8/81二是飛行導航需求，主要是面向廣域高精度的無人機定位需求;三是空域監管需求，主要是面向廣域全類型的無人機感知與管控需求。這三大需求為數字低空網絡的繁榮注入強大的動力與活力。低空通信需求低空通信需求：通信構筑數字低空網絡之基。在低空物流運輸、城市巡檢、安防監控等領域，對無人機網聯通信有強烈需求，主要需求是在無人機與地面站間進行數據

28、傳輸(簡稱數傳)或圖像傳輸(簡稱圖傳)。數傳是指傳輸無人機飛行控制和飛行狀態等信息，特點是小數傳包，但對網絡連續穩定覆蓋、傳輸時延和可靠性要求高。通常飛控類數傳的端到端時延需求小于 100ms，速率需求為百 Kbps。圖傳是指傳輸無人機攝像頭采集到的圖像和視頻等信息，圖傳數據以上行為主，具有大上行的特點，對于 1080P 和 4K 分辨率視頻的典型速率要求分別為 5Mbps 和 25Mbps。以下表 2 是低空通信典型應用場景及通信需求。表 2 低空典型應用場景及通信需求低空覆蓋低空覆蓋飛行高度飛行高度圖傳上行帶寬需求圖傳上行帶寬需求飛控類數傳需求飛控類數傳需求外賣配送120m以下5Mbps1

29、080P時延55.5TFLOPS飛行狀態數據通用算力、智能算力端到端時延 100ms通信數據處理定制化算力/邊算力是指在靠近低空平臺的地面或空中站點上進行的數據處理和計算。邊算力的目標是彌補端算力的局限性，通過靠近數據源的計算能力，減輕端側的負擔并優化計算性能。低空平臺如無人機在執行任務時，通常會生成大量的實時數據，這些數據需要在極短的時間內進行處理和反饋。邊算力通過在地面站點或空中平臺上部署高效的計算資源，能夠對這些數據進行快速預處理、分析和本地化決策。此外，邊算力還承擔著任務卸載的功能。盡管端算力能夠在低空平臺本身進行一定程度的數據處理，但由于硬件受限，其計算能力和存儲空間通常無法滿足復雜

30、的處理需求。因此，邊算力通過承擔部分計算任務，可以減輕端算力的壓力，提升低空平臺的運行效率和延續性。云算力是低空數字化架構中的核心計算層，通常部署在遠程數據中心或云平臺上，具備強大的計算能力和海量的存儲空間。在低空數字化網絡架構中，云算力提供了一個集中式的平臺，能夠管理和處理來自各低空平臺的大量數據。由于低空平臺通常面臨計算能力、存儲空間和電池壽命等方面的限制，云算力通過集中計算資源，承擔大規模數據分析、深度學習模型訓練和智能算法優化等任務，為低空平臺提供高級的分析和決策支持。同時，在低空算力平臺工作過程中，低空平臺的傳感器和其他設備會產生大量的數據，這些數據需要長時間保存并進行分析。云算力通

31、過分布式存儲和高效的數據管理能力，確保數據的安全性、可靠性和可訪問性。以下表 10 是低空場景下各端算力的常用場景。表 10 低空算力應用場景低空算力架構低空算力架構算力應用場景算力應用場景端飛行路徑規劃、飛行控制、空間旋?？刂?、自動識別跟蹤、圖像分析、實時通信、電子對抗、自適應操控邊數據封裝、邏輯服務、同步協同、集中調控、數據分析、端到端通信云飛行態勢管理、大規模數據分析、無人機集群調控、大模型運算、智能算法優化在數字化經濟時代，算力已成為一種重要的生產力，包括網絡、計算和存儲等多維度資55/81源。移動通信系統提供的計算服務將助力催生新形態的終端，并優化用戶體驗，為移動終端的發展提供更多可

32、能性。算力的相關性能指標通常由移動通信系統部署的計算與通信資源及其性能綜合決定。為了定義移動通信系統的計算性能指標，需要綜合考慮典型業務用例、用戶密度、業務模型等因素。尤其是在數字低空網絡中，算力需求不僅體現在終端的實時計算處理，還涉及到如何通過云端和邊緣計算系統滿足各種應用場景的時延、帶寬及計算性能要求。以下表 11 是計算服務的性能指標。表 11 計算服務的性能指標計算服務的性能指標計算服務的性能指標定義定義系統性能指標算力密度移動通信網絡單位覆蓋面積能提供的算力計算連接密度移動通信網絡單位覆蓋面積能提供的計算服務連接數量用戶性能指標峰值算力單用戶可獲得的峰值計算性能計算時延從用戶發起計算

33、服務請求到接收到計算響應的整體的時延。針對目前的應用場景，現有的低空算力仍面臨著以下挑戰：一：硬件資源受限硬件資源受限。無人機低空平臺通常受限于平臺空間、供能等限制導致算力載荷受限，不能像數據中心那樣擴展算力。因此，在設計算力架構時，需要在有限的硬件資源下實現高效的數據處理和任務執行。二：服務于低空的邊緣端實際算力部署有所欠缺服務于低空的邊緣端實際算力部署有所欠缺。在基于移動通信系統連接的數字化網絡中，應用業務所需的計算通常分布在終端側和云端。移動通信系統通過提供終端和云端服務器的連接通道來輔助完成計算任務?，F有的云服務通常通過集中度高的中心云來滿足高計算量需求，同時提高資源復用率；而通過分布

34、式的邊緣云，則可以滿足低時延需求，并減少網絡傳輸的開銷。然而，面向未來的沉浸式 XR、交互型 3D 虛擬數字人、協作機器人、無人駕駛等新興用例，仍然存在著終端算力、存儲和智能能力，以及云端因部署不完全距離遠而時延不滿足需求的挑戰。三：分布式計算和資源調度分布式計算和資源調度。低空網絡中的算力通常是分布式的，如何協調和調度分散在不同空中平臺和地面節點的計算資源，以及如何高效地進行任務卸載和協同計算，克服各通信節點之間的通信時延，是技術實現的關鍵挑戰。同時，現有的數字低空網絡在軟硬件上存在嚴重的異構，且低空智聯網相關的標準仍然欠缺，這為邊端云的協同以及后續管理帶來了巨大的困難。56/815.2關鍵

35、技術關鍵技術5.2.1 協同計算技術協同計算技術5.2.1.1服務于低空的端邊云協同計算服務于低空的端邊云協同計算隨著智能終端、新型網絡應用和服務日新月異的發展，數據規模呈爆炸式增長，用戶追求更加迅捷流暢的體驗感，對低延遲的服務質量要求變高。盡管傳統云計算擁有強大的計算能力，但由于云服務器距離終端設備較遠，傳輸過程中的傳輸速率、能量損耗、響應延遲、網絡干擾、數據安全等問題都難以避免，終端設備和遠程云服務器之間的海量數據交換可能會導致回程網絡癱瘓，僅僅依靠云計算模式難以實現毫秒級的計算和通信延遲。為此，端邊云協同計算將云的部分功能向網絡邊緣轉移，在接近移動終端的邊緣服務節點提供計算卸載服務，是一

36、種新型網絡結構和計算范式。需要注意的是，端邊云協同計算并不是取代云計算，而是作為云計算的延伸。表 12 列出了傳統云計算和邊端云計算場景下計算卸載的異同：表 12 移動云計算與端邊云計算卸載對比類目類目移動邊緣計算移動邊緣計算移動云計算移動云計算計算模型分布式集中式服務器硬件小型，中等性能大型，高性能與用戶距離近遠連接方式無線連接專線連接隱私保護高低時延低高核心思想邊緣化中心化計算資源有限豐富存儲容量有限豐富應用延遲敏感型計算敏感型在端邊云協同架構中，端指無人機飛行器上的計算單元，需要滿足低功耗、小型化和高計算能力的要求，該部分算力來源通常為機載嵌入式 AI 芯片；邊指基站以及無人機之間的邊緣

37、節點，能夠減少從飛行器到中心數據中心的數據傳輸時間和帶寬消耗，該部分的算力來源通常為設置在邊緣端的小型服務站或小型分布式服務器；云通常為整個系統的中心節點，算力強，能夠支持大規模的數據分析和復雜計算任務，算力來源為大型服務器。以下表 13是各端常用的硬件介紹。57/81表 13 低空數字化常用硬件低空算力架構低空算力架構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邊AI 專用加速硬件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在整個系統中端是端邊云協同系統中的起始點負責采集、處理和存儲數據，并將數據發送到其他組件進行協同處理；邊為整個系統的中心部分，它能夠根據兩端應用場景的需求靈活地部署在

39、靠近端云兩端，負責分擔機載端無法處理的計算任務，有效降低系統延遲；云負責承載大規模、復雜的計算任務，如深度學習模型訓練、大數據分析和長周期任務。端設備計算資源有限，但卻處于數據采集的最前端。而云端雖然算力強大，但距離數據源較遠。邊緣端可以作為中間層，平衡資源分布。為實現端邊云協同，可考慮如下方案：1）智能）智能動態任務調度機制動態任務調度機制：建立智能任務調度機制，實時監測邊緣端和云端的算力負載、網絡狀況以及任務執行進度，根據系統的實時狀態動態調整任務分配。例如，當邊緣端算力資源緊張時，將一些非實時性的次要任務暫時緩存在本地緩存或排隊等待處理，優先保障關鍵實時任務的執行；同時，將部分可延遲處理

40、的任務轉移到云端進行處理，充分利用云端的閑置算力資源，實現云邊端算力資源的動態平衡和優化利用。2）智能數據緩存策略智能數據緩存策略：在邊緣端和無人機端設置智能數據緩存機制，根據數據的使用頻率、時效性和任務需求，合理緩存數據。例如，對于無人機經常訪問的地理信息數據或常用的飛行控制參數，在邊緣端進行緩存，當無人機再次請求相同數據時，直接從邊緣端緩存獲取，減少數據傳輸次數和延遲；同時，根據數據的時效性，定期更新緩存數據，確保緩存58/81數據的準確性和有效性，提高系統的數據訪問效率，減輕云邊端的數據傳輸壓力。3）智能）智能分配任務需求分配任務需求：根據無人機采集數據的類型、大小、實時性要求以及任務的

41、復雜程度，智能地將任務分配到邊緣端或云端進行處理。例如，對于實時性要求極高的無人機飛行控制數據處理任務（如飛行姿態調整、避障決策等），優先分配到邊緣端進行處理，利用邊緣端靠近數據源、低延遲的優勢，確保無人機能夠及時響應飛行環境的變化；而對于大規模歷史數據的分析任務（如長時間的飛行軌跡分析、區域地理信息統計等），則將數據傳輸到云端，利用云端強大的算力資源進行深度分析。5.2.1.2端計算卸載及邊計算遷移技術端計算卸載及邊計算遷移技術低空無人機可能需要同時承擔多項復雜計算任務，面向原子任務（不可切分）的計算卸載，通常采用全卸載模式將整個任務卸載到一個計算服務節點上。而自 5G 商用以來，時延敏感且

42、計算密集型的復雜任務大量出現，這些復雜任務包含多個存在數據依賴關系的子任務，需要遵從嚴格的子任務執行時序約束。例如，視頻導航任務涉及圖形、人臉檢測、攝像機預覽、視頻處理可以劃分為 14 個依賴的任務。對于包含多個子任務的復雜任務的計算卸載，若采用全卸載模式將其全部卸載到一個節點上計算將會存在兩個問題：第一，單服務節點的性能很可能難以同時滿足所有子任務的計算資源需求，導致任務計算時延延長；第二，該服務節點任務執行序列中后續任務的等待時延將被延長。在數字低空網絡場景下，計算卸載與資源分配問題的目標是無人機在其性能（尺寸、計算能力、電量等）允許的范圍內，針對地面移動終端或無人機自身的任務計算需求，通

43、過點對點通信實現計算資源共享確定各個無人機的任務執行序列。通過實現多個無人機或移動終端之間協作處理任務，以確保任務的低時延或無人機的低能耗要求。多機協同下計算卸載適合任務區域密集、終端設備算力較充足時的分布式任務處理場景，如圖 41 所示。圖 41 多無人機協同任務卸載示意圖59/81在實際情況下，復雜任務的處理過程包括任務上傳、任務劃分及任務空中通信和計算、任務計算結果返回 3 個步驟，可以通過多智能體強化學習、深度強化學習等優化算法加以實現分布式卸載決策。針對無人機高速移動場景下的復雜任務卸載問題，邊緣服務的計算遷移（ComputingMigrations）技術可以很好保證計算任務的連續性

44、。服務遷移與蜂窩網絡中的切換以及數據中心的實時數據遷移類似。與蜂窩網絡中的切換相比，邊緣計算服務遷移要傳輸的數據量更大，并且不是無人機每次移動時都需要服務遷移。此外，邊緣網絡的服務遷移與數據中心實時數據遷移的區別在于數據中心的實時遷移更關注應用的停機時間，而邊緣網絡的服務遷移更關注總的遷移時間。圖 42 無人機計算卸載時邊緣節點間的服務遷移1）服務遷移中服務的類型可以分為有狀態和無狀態兩種類型：有狀態的遷移過程需要將應用程序的運行狀態遷移到目標邊緣節點中，而無狀態的服務不需要。2）遷移的方式主要分為冷遷移和實時遷移：冷遷移是先在源節點中停止服務，再將服務遷移到目標邊緣節點中。而實時遷移是在服務

45、即將遷移完成時再停止服務，因此實時遷移的停機時間更短。無人機網絡的服務遷移中更多考慮實時遷移技術。多種應用程序托管技術為服務遷移技術提供了基礎，主要包括：虛擬機技術、容器技術和代理技術。其中虛擬機技術包含了程序運行過程中所需的所有組件，提供了強大的應用隔離能力。容器技術在操作系統層次實現了進程的隔離。代理技術具有管理方便，啟動迅速等優點。5.2.2 自適應通算一體技術自適應通算一體技術5.2.2.1機載感知數據輕量化智能壓縮機載感知數據輕量化智能壓縮現如今利用低空設施獲取數據已經取得了廣泛的應用，而對于實時場景，如何在有限的60/81信道以及帶寬資源下高效地將無人機捕獲數據進行回傳是當前面臨的

46、一大問題。針對該領域常用的視頻和圖像數據，通過將無人機捕獲后的數據進行壓縮處理來提升數據傳輸的效率，減少對信道帶寬的負荷是一種有效的方法。在視頻壓縮領域，目前已存在許多的傳統視頻壓縮標準來對捕獲到的數據進行壓縮以提升傳輸效率。目前國際上主要使用的三大標準為 JPEG、MPEG 以及由國內提出的 AVS。視頻是連續的圖像序列，由連續的幀構成，這意味著相連的幀之間很強的時間相關性，也就是存在著大量的冗余信息，視頻壓縮就是為了將這部分冗余信息去除。以常用的幀間編碼為例，編碼器由宏塊、運動估計與運動補償、變換量化、環路濾波、熵編碼等模塊共同構成，圖像輸入后，將視頻幀拆分為多個宏塊，通過比對相鄰幀之間的

47、相似塊位置得到運動矢量，隨后運用運動矢量預測出下一幀，通過離散余弦變換將時域下的預測誤差轉換到頻域并通過量化進一步的壓縮數據，最后通過環路濾波器提升重建圖像質量即可編碼傳輸到解碼端。圖 43 視頻壓縮框架針對該領域，目前可考慮以下方案：（1）H.264（AVC）：H.264 是由 ITU-T 和 ISO/IEC 聯合開發的壓縮標準，其 通過幀內預測、幀間預測、變換編碼和熵編碼等技術實現了較高的壓縮效率，比早期標準如 MPEG-2提升約 50%，廣泛應用于高清視頻傳輸、視頻會議和監控等場景。它具有編碼復雜度適中、實時性好、兼容性高的特點，但對高分辨率和低帶寬場景的適應性有限。（2）H.265（H

48、EVC）：H.265 是 H.264 的繼任者，于 2013 年被 ITU-T 和 ISO/IEC 正式發布，針對高分辨率（如 4K、8K）和低帶寬網絡設計，壓縮效率提升約 50%。它采用了更高級的技術，如更大的編碼單元（最大 64x64）、更多幀內預測模式（33 種）和高精度運動估計等，使其在低帶寬條件下仍能提供高質量的視頻回傳。H.265 非常適合高分辨率視頻流媒體、高清視頻監控和存儲歸檔等場景，但其編碼復雜度和解碼要求較高，對硬件性能有較大依賴。（3）基于深度學習的視頻壓縮：為了應對視頻質量要求的不斷提高，以及多變的低空61/81端信道環境，構建更高效的視頻壓縮系統并生成高質量的幀是至關

49、重要的，基于深度學習的視頻壓縮技術則能夠有效利用其傳統方法中沒有使用的大規模端到端訓練和高度非線性變換實現更好的視頻壓縮效果。目前，基于深度學習的視頻壓縮主要由運動估計模塊、運動補償模塊、殘差處理模塊構成。首先，運動估計網絡通過卷積層估計當前幀與前置壓縮幀之間的運動信息，去除時間冗余，如 FlowNet、MRMR、Me-Net 等。接著，運動補償網絡利用運動信息預測當前幀，結合前置幀進行幀間預測，通過殘差計算獲取差異數據供后續處理。最后，殘差處理網絡采用編碼-解碼結構和矯正模塊，通過非線性變換和熵編碼去除冗余數據，并修正重建的殘差信息，從而提高壓縮質量和精度。與 MPEG、H.264、HEVC

50、 和 VVC 等傳統的視頻壓縮算法相比，基于深度學習的視頻壓縮算法在視頻質量及壓縮率上都存在著很大的優勢，有效提升低空數字化網絡下的視頻傳輸效果。5.2.2.2移動算網融合技術移動算網融合技術面向移動用戶終端，無線通信網絡是端到端服務的重要組成部分之一，因此移動算網融合技術是提升計算服務性能的重要環節。移動算網融合的關鍵在于如何打破各層之間的界限。拉通底層的計算資源和上層應用的計算和通信需求，這也是不同算網融合技術方向中計算控制功能的重要任務。如圖 44 所示，下面將移動算網融合技術方向分為基于演進的路線和基于變革的路線兩類方案進行介紹。圖 44 移動算網融合技術方向根據不同的技術發展路徑，移

51、動算網融合可以分為基于演進的路線和基于變革的路線兩大方案?；谘葸M的路線主要通過增強現有網絡架構來提升計算與通信的協同能力，包含增強邊緣計算（EC）和增強 IMS（IP 多媒體子系統）兩大方向。在 EC 增強中，計算資源位于邊緣應用服務器（EAS），并通過引入計算控制節點，動態接收用戶設備（UE）的計算需求和獲取邊緣計算節點的實時計算狀態信息。而在 IMS 增強方向下，計算控制信息和數據通過用戶面進行傳輸，確保 UE 和網絡間的計算與通信任務協調。相較之下，基于變革的路線則通62/81過在核心網引入全新的計算控制功能和數據傳輸通道，實現更深度的計算與通信資源融合。這一方案通過核心網控制面實現對

52、異構計算資源的度量和管理，并通過策略協同選擇合適的計算節點，確保通信和計算資源的聯合動態調度。在具體應用中，尤其是在無人機等高時延敏感的場景下，傳統的邊緣計算模型面臨諸多挑戰。由于無線信道的衰落和用戶間的干擾，導致端到端時延不穩定，進而影響用戶的服務體驗。在傳統邊緣計算中，用戶通過無線空口將數據上傳至邊緣計算節點進行處理，計算和通信資源相互獨立調度，導致系統資源浪費和服務質量無法保障。圖 45 通算解耦與通算融合架構這種情況下，采用通算融合的方案可以有效解決問題。（1）通過基于基于 DNNDNN 模型選擇的適應策略模型選擇的適應策略，動態調整計算模型的復雜度和計算時延，系統能夠根據網絡狀況自適

53、應調整資源，從而減少延遲波動。（2）通過通算融合協同調度機制通算融合協同調度機制，基站能夠獲取通信和計算側的雙側數據，綜合當前和過去的資源信息進行優化調度，提高資源利用效率，并保證多樣性業務需求的服務質量。5.2.2.3空天地一體化算力網空天地一體化算力網隨著對 6G 技術的深入研究，初步形成了集中和分布協同、分布式自治 6G 網絡。一方面將更多的網絡功能擴展到網絡邊緣，另一方面將面向全局的核心功能集中，通過云網融合、分布式協同的方式，達成支持更加復雜的業務的共識。6G 空天地一體化網絡融合了地面網絡、高軌的 GEO 衛星通信網絡和中低軌非靜止軌道（non-geostationary orbi

54、t，NGSO）衛星通信以及高空浮空器、無人機等空基網絡，構成了高、中、低和地面網絡的分層網絡架構。這使得大型 GEO/MEO 衛星具備了高性能算力和輕量化核心網及天基數據中心的能力，而 LEO衛星和高空浮空器、無人機等則具備了接入網絡和計算卸載的能力，從而為實現空天地一體的高效計算體系提供了物質基礎。一方面，地面網絡作為 6G 網絡通信和算力供應的主要提供者，通過星地鏈路、地面光63/81纖骨干網和高性能可編程交換機等網絡設備以及具備通信及算力感知和調度的核心網中心或較為集中部署的數據中心，為人員密集區域和算力熱點區域提供集中式的通信和算力服務。同時，通過算力感知和 SLA 制定策略，進行通信

55、和算力的調度。利用地面光纖網絡的帶寬優勢和可靠性優勢，處理面向超大流量和海量數據的復雜計算。另一方面，天基網絡極大地豐富了地面蜂窩網絡的服務范圍，基于高性能硬件模塊和統一接口搭建高算力衛星節點，通過星間鏈路、自主路由、無縫組網、大規模部署、自動維護等技術構建星云算力節點，實現基于空天網絡的算力系統。在此基礎上，將邊緣技術和云邊協同引入天基網絡，使得衛星在軌實現協同計算。隨著未來數據低空網絡面臨的超低時延、超大數據量、AI 計算等復雜業務應用的出現，根據無人機所處環境的通信和算力基礎設施覆蓋情況以及任務復雜度和實時性需求，有望構建新的分布式計算機體系架構，通過智能編排算法將數據和算力按進行動態分

56、配，實現在在機上、地面、衛星平臺之間靈活卸載計算任務，提供感知和通信數據的處理能力，提升實現空、天、地一體化的整體算力利用率。5.3 應用案例應用案例應用案例應用案例 1 1：鵬城實驗室聯合展示智簡語義通信技術創新成果：鵬城實驗室聯合展示智簡語義通信技術創新成果針對無人機實時監控場景下“機載處理算力要求高，回傳處理網絡帶寬消耗大”的應用痛點，提出通過語義模型的增量更新和實時傳輸技術，實現了從傳輸“比特”到傳輸“模型”的技術革新，顯著降低了視頻監控任務對機載算力和網絡帶寬的需求，使得無人機監控的機載實時處理成為現實。圖 46 面向低空經濟的智簡語義通信樣機應用案例應用案例 2 2：基于算力集群的

57、低空電磁環境數字孿生：基于算力集群的低空電磁環境數字孿生針對低空環境的數字化管理需求，鵬城實驗室依托鵬城云腦的算力集群，開發了電磁環64/81境計算引擎，利用現有電磁材質數據、信道模型數據以及三維環境數據，構建了城市物理環境和電磁傳播環境的數字孿生系統，實現了低空環境的數字化管理。圖 47 鵬城實驗室開發的基于算力集群的低空電磁環境數字孿生應用案例應用案例 3 3：中移凌云：中移凌云中移凌云-中國移動自主研發的 5G 網聯無人機管理運營平臺，以“5G+AI”為核心，結合人工智能、原生云、時空大數據庫、數據挖掘與分析及邊緣計算等關鍵技術，構建智慧飛行樞紐、智能內業處理和多元關系挖掘三大核心能力，

58、實現分布式、彈性部署、可自愈、云網融合的無人機行業云原生服務，帶動云-網-端的智能協同。圖 48 中移凌云平臺65/816 管控關鍵技術及應用管控關鍵技術及應用6.1 需求及挑戰需求及挑戰管控平臺需針對低空空域內的飛行設備、飛行人員、飛行過程、資源占用，構建一體化的監管流程，支撐低空空域各信息交互主體間的信息同步，實現監管、運營服務全流程業務打通，無人駕駛航空器全生命周期的身份、用頻行為、航跡、頻譜、能耗管理，實現低空監管和運營服務能力應用開放，提升監管人員效率，滿足業務閉環。（1）無人機身份鑒權難。無人機的身份認證可能面臨身份偽造的嚴峻挑戰。惡意用戶可能通過篡改或偽造無人機的標識、注冊號碼等

59、關鍵身份信息，以規避監管或責任追究。此外，無人機的通信信號也可能受到外部干擾，導致身份認證失效。惡意干擾者可能利用各種手段攻擊無人機的通信系統，使得其身份信息難以被準確識別，從而加大了監管難度。（2）設備標準化與管理效率低。設備標準差異顯著，嚴重影響了互操作性和管理效率。不同制造商提供的設備在技術標準、性能參數和接口規范上存在顯著差異，導致設備間難以實現無縫對接，增加了生產協調和維護的復雜性。同時，由于缺乏有效的監管手段，難以對設備及其狀態進行實時監測和評估，造成潛在故障風險增加。此外，智能管控手段的不足，使得生產過程中難以及時發現和解決問題，延誤了整改和整改措施的實施。（3）認證流程繁瑣。在

60、認證與適航準入方面，安全參數多層面監測難以全面把控，各類低空飛行器在不同使用環境下，其安全性能要求和認證標準各異，增加了監測的復雜性。同時，傳統的認證周期長且效率低，使得新技術和新設備難以快速實現市場準入，未能及時適應快速發展的航空科技。此外，缺乏智能化認證手段，難以通過數據分析實時跟蹤和評估認證過程，從而造成資源浪費和效率降低。（4）信息流通與運行效率受限。流通與運行過程中，不同系統之間缺乏有效的系統整合與數據共享，導致信息孤島現象，阻礙決策的及時性和準確性。權限管理既需嚴格又需靈活，增加了信息安全挑戰。在信息的可追蹤性和安全性方面，現有措施無法有效保障信息傳遞過程中的隱私與完整性，增加運營

61、風險。（5）缺乏多域監測，非法與異常行為難以管控?，F有的管理體系往往缺少全局視野，難以覆蓋所有可能的監測領域，造成異常行為防范能力的不足。此外，監管手段智能化水平低，無法通過實時數據分析及時捕捉潛在異常，處理滯后。因此，需要加強系統化的多域監測工具研發，結合大數據和人工智能技術，提升對不同領域的監控能力，增強異常行為的識66/81別與響應速度，從而實現更全面的監控和管理。（6）頻譜資源共享復雜。在空地和空空通信場景中，頻譜共享的復雜性使得合法與非法用頻之間的界限難以清晰界定，增加了通信安全的威脅。頻譜重疊問題會導致無線信號的嚴重干擾，影響通信系統的穩定性和可靠性。此外，頻譜數據的采集和分析也面

62、臨困難，原因在于需要對廣泛的頻率范圍進行實時監測與管理，且現有的分析工具往往無法處理海量的實時數據。（7）續航能力制約能耗管理。受限于電池技術與能量密度，許多設備的續航時間不足，限制了其在長時間任務中的應用，實現連續監控與服務的能力顯著下降。此外，數據傳輸和飛行路徑規劃的優化尚未達到理想效果，往往導致能耗的增加，使本應高效的操作變得繁重與低效。許多設備在運行中未能高效地利用能源，影響了整體運營效率和可持續性。（8）航跡分析缺失，空域管理監控不足。當前管控機制常無法有效記錄歷史航跡或實時預測未來行動，導致航跡異常無法及時發現。監控機制的不完善使得對飛行器的管理乏力，難以確保航跡準確性。隨著航空流

63、量增長，亟需引入先進的航跡分析技術和實時監控系統，以提高空域管理的有效性和靈活性，確保飛行安全。6.2 關鍵技術關鍵技術圖 49 展示了管控關鍵技術內容。首先，可信身份鑒權授權技術是其他管控技術的基礎，確保所有用戶和設備經過身份認證并獲得相應權限，從而防止未授權訪問和潛在的安全風險，保障了無人機系統的安全可信性。研發與制造階段確保設備的規范性和安全性，為后續的認證與適航準入提供良好基礎，從而實現高效的無人機資格認證。進入流通與運行階段時，通過對非法與異常行為的監測，確保在物流傳輸過程中的信息安全與可追蹤行。隨后，頻譜資源管控為無人機提供保障的通信環境，而能耗管理則通過高效能源使用，支持無人機在

64、實現任務中的持續運行，同時，結合空域航跡規劃與管理，利用智能分析和實時管控機制，提升飛行軌跡安全性與通信可靠性。67/81圖 49 管控關鍵技術6.2.1 可信身份鑒權授權可信身份鑒權授權無人機產品類型繁多，監管側缺乏對無人機身份管理的有效的規則及機制，造成了目前無人機難識別、難監管、難處理等難題，亟需建立完善的接入管理機制實現對無人機運行的可感-可管-可控。（1）無人機匿名遠程識別和跟蹤無人機匿名遠程識別和跟蹤：基于 5G 獨立組網（Standalone Architecture,SA）架構，在核心網部署無人機專用網絡功能（Unmanned Aircraft System Network F

65、unction,UAS NF）完善身份管理。在基站覆蓋區，無人機通過用戶通道快速上報自行式運輸航空器（Common Autonomous Aircraft,CAA）級 UAV ID，通用無人機監管服務平臺（UnmannedAircraft Supervision Service Platform,USS）/通用交通管理（Unmanned TrafficManagement,UTM）協同核心網為其設置 5G 網絡標識，升級的會話管理功能（SessionManagement Function,SMF）網元支持全球移動通信系統協會（GlobalSystemfor MobileCommunicatio

66、ns Association,GSMA）提出的統一無人機認證授權服務管理流程（Unified68/81UAV Authentication and Authorization-Session Management,UUAA-SM）流程，實現用戶身份識別模塊（Subscriber Identity Module,SIM）卡與 CAA 級 UAV ID 動態映射，鑒權信息安全加密傳輸。在基站覆蓋區外，依靠 第三代合作伙伴計劃（3rd GenerationPartnership Project,3GPP）Release 17 非地面網絡衛星回傳技術，無人機信號經衛星中轉至核心網進行遠程驗證。該技術融

67、合多種通信方式與核心網功能，構建空天地一體化身份管理體系，在保障無人機身份認證安全可靠的同時，能夠實現全域非法無人機的匿名管控，確保監管不留空白區域。（2）用戶類型智能識別用戶類型智能識別：網聯無人機場景下，5G 接入網基站內置指紋識別模塊實時收集信號特征信息，前傳至邊緣節點進行初步分析，提取飛行與傳輸等關鍵特征。核心網的無線接入網智能控制器（RAN Intelligent Controller,RIC）作為決策中樞，融合來自綜合監管服務平臺的多源數據，利用深度學習算法對這些數據深度分析和關聯匹配。通過與預定義的用戶類型模型對比，能在毫秒級時間內準確判定用戶類型，為不同類型用戶提供精準管理與服

68、務，滿足網聯無人機復雜多樣應用場景下的監管與服務需求，提升管理效率與精準度。6.2.1.1研發與制造管控技術研發與制造管控技術在低空無人機的研發與制造過程中，面臨著多項技術挑戰與優化目標，如圖 50 所示：圖 50 研發與制造管控框架（1）設備標準化設備標準化：行業采用 3GPP PC5 接口/通用陸地無線接入網（UniversalTerrestrial Radio Access Network,UTRAN）通用陸地無線接入（Universal TerrestrialRadio Access,UTRA）接口雙模通信架構和物聯網（Internet of Things,IoT）標準數據接口規范來推

69、進設備標準化。通信架構明確物理層、鏈路層和網絡層參數與規則，如信號調制、編碼、傳輸速率等細節；數據接口規范統一設備間數據傳輸格式和電氣特性。設備接入時，核心網注冊管理模塊識別匹配標準，接入網自動適配傳輸參數。這確保不同制造商設備69/81在核心網和接入網兼容互操作，提升設備開發生產的規范性、產品兼容性與生產維護效率，加快行業標準化進程。（2）“一機一碼一機一碼”體系體系：制造商為無人機分配唯一身份碼，借助 IoT 傳感器上傳相關參數。運用區塊鏈分布式賬本技術，利用其共識機制保障數據一致性和不可篡改，通過網絡開放功能（Network Exposure Function,NEF），實現核心網 UA

70、S NF 與生產系統實時數據同步。監管部門通過核心網與區塊鏈交互接口及智能合約，快速精準管理每臺無人機，全程追溯全生命周期數據。此技術確保產品合規性，為監管提供詳實依據，提升監管效率與可信度，支撐行業可持續健康發展。（3）智能監控與數據分析智能監控與數據分析：研發制造階段部署大量傳感器，經工業物聯網接入核心網大數據平臺。核心網中的人工智能（Artificial Intelligence,AI）和機器學習（MachineLearning,ML）算法實時處理生產數據，挖掘設備運行效率、產品質量趨勢等潛在信息。將這些信息與預設標準模型對比，能快速發現生產瓶頸和質量問題，自動生成預警信息通知相關人員。

71、同時，核心網通過與生產設備控制系統交互，動態調整生產參數進行智能化調控。此技術保障無人機生產的高質量、合規性與安全性，降低運維成本。6.2.2 認證與適航準入管控技術認證與適航準入管控技術圖 51 認證與適航準入內容框架（1）多層級安全參數框架：針對低空無人機系統的復雜性，亟需建立多層級安全參數框架，以全面評估無人機的安全性能。該框架應涵蓋硬件、軟件和通信等多個層面，確保對無人機安全性的全面監測。例如:硬件級監測技術：采用傳感器監控（例如加速度傳感器、陀螺儀、溫度傳感器等）以實時跟蹤機身結構和動力系統的狀態，確保物理完整性。通過物聯網技術，將70/81傳感器數據傳輸到中心監控系統，實現數據的實

72、時分析和記錄。軟件安全性評估：使用靜態與動態代碼分析工具，如 SonarQube 或評估飛行控制系統和通信協議的安全性。通過代碼審查與漏洞掃描技術，識別并修補潛在的安全缺陷。通信監測系統：構建基于人工智能的異常檢測系統，監控通信頻率和信號強度，識別并響應潛在的網絡攻擊或信號干擾事件。這一技術可通過機器學習算法，通過對比歷史數據來判斷實時通信的正常與異常。（2）基于 AI 的快速智能認證方法：考慮到無人機技術的快速更新與升級，亟需優化適航認證周期，以降低人力成本并提高效率。大數據收集與分析：利用云計算平臺，如：亞馬遜網絡服務（Amazon Web Services,AWS）、微軟 Azure 等

73、，收集無人機的飛行數據、故障記錄和維修信息。通過數據標簽和清洗，確保數據質量，為后續分析提供基礎。智能特征提?。簯脵C器學習中的特征選擇算法（如決策樹、隨機森林等），提取關鍵特征，通過分析歷史數據來識別影響認證的關鍵因素。AI 模型構建與驗證：采用深度學習（如神經網絡）構建智能認證模型，通過對比真實飛行案例與預測結果，持續迭代與優化模型。利用交叉驗證等技術提高模型的魯棒性和準確性。最終，通過應用該智能認證模型，能夠大幅縮短新生產無人機的認證周期，顯著提升整體認證效率。如圖 51 所示，通過實施多層級安全參數框架和基于 AI 的智能認證方法，可以有效提高無人機的適航性與安全性，確保其在各類任務場

74、景中的可靠性與穩定性。6.2.2.1流通與運行管控技術流通與運行管控技術圖 52 流通與運行管控框架71/81（1 1）低空綜合信息服務：）低空綜合信息服務：融合人工智能與大數據分析技術，無人機、物流中心及配送站傳感器收集數據，經多種無線方式接入接入網，再通過高速光纖與核心網連接。云計算與邊緣計算協同，邊緣節點處理部分實時數據減輕核心網壓力，如靠近配送站時進行初步路徑規劃。核心網整合多源數據后，利用人工智能算法為物流中心提供決策支持，預測到達時間、優化路線，顯著增強低空物流配送的效率與可靠性。（2 2）動態權限管理：）動態權限管理：采用基于角色的訪問控制（Role-Based Access C

75、ontrol,RBAC）和多因素認證機制，核心網為權限中樞。無人機通過接入網請求權限，核心網驗證后，依據預設規則和實時情況，采用決策樹等算法動態配置權限，如醫療應急時快速分配飛行和數據訪問權限。核心網利用 SDN 技術保障權限信息傳輸，確保各種操作符合安全規范且高效執行，避免因權限管理不當導致的安全隱患和效率低下等問題。（3 3）信息可追蹤性與安全性：）信息可追蹤性與安全性：利用區塊鏈技術，無人機關鍵飛行數據在接入網加密、時間戳標記后傳至核心網，再廣播到區塊鏈節點。區塊鏈采用權益證明（Proof of Stake,PoS）等共識機制確保數據不可篡改。智能合約通過核心網與各方交互，審計機構經核心

76、網驗證授權訪問數據。如物流中各方借此查看軌跡狀態，增強貿易與物流環節信息透明度，提升供應鏈協同效率，降低運營風險。6.2.2.2非法與異常行為管控技術非法與異常行為管控技術圖 53 非法與異常行為管控框架（1 1）多域精準監測：）多域精準監測：從空域、頻譜域、數據域和網絡域精準監測無人機?？沼蛲ㄟ^雷達網和自動相關監視-廣播（Automatic Dependent Surveillance-Broadcast,ADS-B）等設備獲取飛行狀態；頻譜域利用地面和機載監測設備收集頻率和信號強度；數據域用嗅探器結合入侵檢測系統（Intrusion Detection System,IDS）和入侵防御系統

77、（Intrusion72/81Prevention System,IPS）分析數據；網絡域通過網絡探針檢查連接和流量。各域數據在核心網匯聚，經數據融合算法關聯分析，全方位掌握無人機運行，及時發現非法異常行為，確?？沼虬踩行?。（2 2）四位一體管理體系：）四位一體管理體系：構建“非法 ID 拒止”、“用頻行為異常發現與意圖預測”、“異常用頻與軌跡無人機側向定位”和“數據異常檢測”的四位一體管理體系，對低空飛行器行為進行全面監測與管理，以確保其安全與有序運行。例如，針對非法 ID 無人機，應用“非法 ID 拒止”機制阻止其接入網絡；對用頻行為異常的無人機，通過“用頻行為異常發現與意圖預測”機制識

78、別并預測其行為，以制定防范措施；對于異常用頻和飛行軌跡的無人機，利用“異常用頻與軌跡無人機側向定位”進行快速定位和追蹤；而“數據異常檢測”機制則及時發現數據異常，防止信息泄露和篡改。（3 3）監管準確性與時效性：）監管準確性與時效性：面對未來在異構設備、大規模網絡及復雜的空中、電磁、數據和網絡環境中運行的數字低空網絡，現有監管手段存在單一、監測能力不足的問題。因此，需綜合運用人工智能、大數據和物聯網等技術手段，以提升監管的智能化水平。例如，利用人工智能分析監測數據，建立智能監管模型，實現無人機行為的自動監測與預警；如圖6-5 所示，運用大數據技術深入分析飛行、通信和任務數據，以挖掘潛在的安全風

79、險；通過物聯網技術實現對無人機的實時定位與追蹤，從而提高監管的準確性和時效性。6.2.2.3頻譜資源管控技術頻譜資源管控技術頻譜資源管控技術旨在解決頻譜共享中的挑戰，優化頻譜使用效率，確保通信與導航的安全性。圖 54 頻譜資源管控框架如圖 53 所示，頻譜資源管控技術旨在解決低空飛行器在通信和導航中的頻譜共享問題，73/81優化頻譜使用效率，確保通信與導航的安全性。低空飛行器的高機動性和動態任務使得頻譜資源的共享變得復雜，飛行器網絡具有任務臨機突發、拓撲和成員數量隨需而動、頻譜環境瞬息變化、可用資源隨時調整的特征，反復決策、錯誤頻譜接入將導致更多的切換開銷和信道中斷，導致航空器網絡難以安全高效

80、運維甚至癱瘓。因此，頻譜資源管控技術需要通過智能化的頻譜感知、動態分配和干擾協調，確保頻譜資源的高效利用和通信的可靠性。圖 55 低空智聯網用頻場景（1 1）任務驅動的集群頻譜協同任務驅動的集群頻譜協同：針對多飛行器臨機任務，構建任務與通信需求映射模型，精準解析任務對頻譜在時延、可靠性等方面的需求。針對集群開展頻譜接入博弈機理與快速決策算法設計，實現任務層與頻譜層深度匹配，提升任務執行效率與頻譜利用效能。（2 2）動態變化的臨機集群干擾協調動態變化的臨機集群干擾協調：應對飛行器集群拓撲及干擾的復雜時變特性，構建基于實時航跡的干擾協調模型，通過動態干擾圖描述集群間用頻沖突?；趧討B圖博弈理論，建

81、立頻譜接入模型，實現集群間干擾協調。該機制綜合多目標需求，提高頻譜資源與集群的匹配質量，降低干擾影響，增強網絡通信穩定性與頻譜利用效率。（3 3）復雜電磁環境智能頻譜決策）復雜電磁環境智能頻譜決策:針對復雜電磁環境，采用多目標強化學習方法。結合深度強化學習（Deep Reinforcement Learning,DRL）與遷移學習理論，度量歷史情景相似性，為頻譜決策提供參考。構建各飛行器的本地用頻決策與價值函數更新機制。在動態未知環境中，促使飛行器基于本地知識與實時學習決策，快速適應環境，提升復雜環境下頻譜74/81接入與抗干擾能力。6.2.2.4能耗管控技術能耗管控技術圖 56 能耗管控框架

82、（1 1）高效能源儲存技術：）高效能源儲存技術：研發新型電池技術如固態、鋰硫電池，探索超級電容器等替代能源。無人機配備電池管理系統（Battery Management System,BMS）監測電池參數，經無線接入網和核心網傳至地面平臺。核心網智能算法基于深度學習評估電池健康、預測剩余電量，優化充放電策略。能量回收裝置回收能量并反饋優化。該技術大幅提升能源利用率，延長無人機續航，滿足更多任務需求。（2 2）數據傳輸和飛行路徑規劃數據傳輸和飛行路徑規劃：邊緣節點結合人工智能與邊緣計算動態調整數據傳輸。實時監測參數，通過強化學習選擇最優通信條件。核心網提供實時信息，邊緣節點用 DRL算法規劃路徑

83、。接入網和核心網壓縮數據，降低傳輸能耗。此技術實現能耗優化和動態電源分配，提高整體系統能源利用效率，降低運營成本。圖 57 低空智能航跡規劃場景圖75/81（3 3）運營效率與可持續性運營效率與可持續性：如圖 56 所示，通過上述技術提升無人機續航和任務成功率。核心網部署能耗監測系統，分析能耗規律建立預測模型。結合生命周期評估方法評估生命周期環境影響，為運營者提供決策參考。運營者據此優化任務計劃與設備配置，降低成本，增強無人機可持續發展能力，實現經濟與環境效益雙贏。6.2.2.5空域航跡規劃管控技術空域航跡規劃管控技術如圖 58 所示，目前的空域管理系統缺乏對無人機歷史及未來位置或軌跡的獲取與

84、分析能力，這導致難以對無人機的飛行行為進行長期評估和預測。此外，無法實時發現無人機的軌跡異常，使得無法及時分析實際軌跡與計劃軌跡之間的偏差，從而增加了空域安全風險。圖 58 空域航跡規劃管控系統框架（1 1）智能導航與航跡優化智能導航與航跡優化：核心網接入和移動性管理功能（Access and MobilityManagement Function,AMF）與網絡數據分析功能（Network Data Analytics Function,NWDAF）的 AI 能力融合，長短期記憶網絡（Long Short-Term Memory network,LSTM）和卷積神經網絡（Convolutio

85、nal Neural Network,CNN）分析歷史飛行數據構建模型，捕捉時空特征、揭示飛行規律。核心網收集氣象等實時信息與航跡系統融合，邊緣節點依此及模型規劃航跡。飛行中實時監控障礙，通過核心網與無人機通信及時調整路徑，確保飛行高效安全，提高任務執行效率和成功率。（2 2）三維航跡設計與空中走廊構建三維航跡設計與空中走廊構建：基于解耦表征學習方法，利用生成對抗網絡（GAN）構建空中走廊的信號傳播模型，以精確預測各區域的信號強度和覆蓋范圍。通過分析傳輸信號在不同環境下的變化，可以優化空中走廊的設計，使其對各種飛行條件更加適應。同時，借助最小均方誤差和有序統計基于環境的自適應波束形成技術，智能

86、優化基站的波束方向、功率和頻率等參數，確保在高度集中用戶流量的區域能實現穩定通信。這種全面的信號預測和波束優化方案，從而為無人機的無線通信需求提供堅實保障，進而提高其飛行安全性和任76/81務成功率。（3 3）實時航跡管控機制：）實時航跡管控機制：針對無人機軌跡異?；蚺c計劃軌跡的偏差，建立實時航跡管控機制，通過智能化的卷積神經網絡（CNN）和自編碼器（Autoencoder）實施異常檢測，能夠迅速識別不正常軌跡并自動啟動調整指令。此機制不僅提高了響應時間，還增強了整個空域管理系統的適應性。在此基礎上，利用軟件定義網絡（SDN）和網絡切片技術，可以動態管理和優化網絡資源，確保傳輸的穩定性和可靠性

87、，為無人機提供實時監控和反饋。通過協同工作，確保周邊無人機在接到避讓通知后能夠有效規避潛在沖突，極大地降低空域安全風險，提升空域的管理效率。6.3 應用案例應用案例應用案例應用案例 1 1：南京智慧航空研究院：南京智慧航空研究院“低空安全聯合管控系統低空安全聯合管控系統”南京智慧航空研究院與南京航空航天大學密切合作，參與“江蘇省低空飛行服務中心建設項目”，負責空域服務管理和無人機服務管理平臺的搭建。該項目創新了低空空域協同管理模式，構建了由省、市、區三級組成的低空飛行服務體系，提升了低空飛行的綜合服務保障能力。借助智慧航空研究院研發的智慧低空空域服務平臺（智空 1.0），實現了政府、運營企業和

88、低空飛行用戶的協同管理，具備低空數字規劃、動態管理、飛行計劃管理、運行監控和無人機管理等功能，使得無人機能夠在劃設空域中“飛得起來、管得好”。該系統集成了結合空域航跡規劃管控技術，利用智能導航與航跡優化，動態調整飛行路徑，確保飛行安全；此外，系統還采用了頻譜資源管控技術，通過空地協同頻譜感知布局優化，實時監測頻譜使用情況，防止非法用頻行為。該平臺在低空長江海事巡檢、交通巡檢、水文監測和森林防火等應用場景中發揮了重要作用，為江蘇省低空經濟的發展提供了強有力的支持。圖 59 低空安全聯合管控系統77/81應用案例應用案例 2 2：南京航空航天大學天地一體頻譜認知智能實驗室設計的低空安全管控軟件南京

89、航空航天大學天地一體頻譜認知智能實驗室設計的低空安全管控軟件平臺平臺圖 60 低空安全管控軟件平臺南京航空航天大學天地一體頻譜認知智能實驗室研制了低空安全管控軟件平臺，包括低空空域安全、頻譜安全、網絡安全與數據安全的全方位監管態勢。低空安全管控平臺支撐的低空智聯網理論技術創新及長江南京段示范應用曾入選“2022-2023 年度中國物聯網十大科技進展”。78/81參考文獻參考文獻1 中國移動，“低空智聯網技術體系白皮書”，2024 年2 IMT-2030(6G)推進組，“6G 感知的需求和應用場景研究”，2023 年3 IMT-2030(6G)推進組，“6G 通感融合系統設計研究報告”，2023

90、 年4 IMT-2030(6G)推進組，“6G 通信感知一體化評估方法研究報告”，2023 年5 粵港澳大灣區數字經濟研究院，“低空經濟發展白皮書（2.0）全數字化方案”，2023 年6 上海中創產業創新研究院，“上海低空經濟發展白皮書”，2024 年7 IMT-2030(6G)推進組，“通信感知一體化技術研究報告”，2023 年8 低空產業聯盟，“低空智能網聯體系參考架構”，2024 年9 中國通信學會，“通感算一體化網絡前沿報告”，2021 年10 中國電子信息產業發展研究院.2024 賽迪論壇：新型工業化新理論新實踐M.中國電子信息產業發展研究院,2024.11 中國航空學會.2024

91、低空經濟場景白皮書（1.0）M.中國航空學會,2024.12 算力基礎設施高質量發展行動計劃編寫組.算力基礎設施高質量發展行動計劃M.算力基礎設施高質量發展行動計劃編寫組,2023.13 聯通（江西）產業互聯網有限公司.通感一體網絡在低空經濟中的應用J.產業,2024(19):16-18.14 蔡曉晴,鄧堯,張亮,等.區塊鏈原理及其核心技術J.計算機學報,2021,44(1):85-107.15 郭上銅，王瑞錦，張鳳荔。區塊鏈技術原理與應用綜述 J.計算機科學，2021,48(2):372-381.16 魏松杰，呂偉龍，李莎莎。區塊鏈公鏈應用的典型安全問題綜述 J.軟件學報，2022,33(1

92、):324-355.17 邱勤，徐天妮，于樂，等。算力網絡安全架構與數據安全治理技術 J.信息安全研究，2022,8(4):340-350.18 秦超霞，郭兵，沈艷，等。區塊鏈的安全風險評估模型 J.電子學報，2021,49(1):117-124.19趙倩穎，邢文娟，雷波，等。算力時代下的算力服務需求與特征思考 J.業務與運營，2021(14):14-18.20陳世康，周冰，曹寶，等。無人機安全通信協議研究綜述 J.通信技術，2024,57(3):213-221.21王耀南，安果維，王傳成，等。智能無人系統技術應用與發展趨勢 J.中國艦船研究，2022,17(5):9-26.79/81縮略語縮

93、略語縮略語縮略語全稱全稱中文釋義中文釋義CIMCity Information Model城市信息模型FSOFree Space Optical自由空間光A2AAircraft-to-Aircraft飛行器到飛行器A2IAircraft-to-Infrastructure飛行器到基礎設施2B2CTo Business To Consumer面向企業，面向個人TFLOPSTera Floating-point Operations Per Second每秒萬億次浮點運算XRExtended Reality擴展現實3DThree-dimensional三維AIArtificial Intellig

94、ence人工智能MCUMicro Controller Unit單片微型計算機CPUCentral Processing Unit中央處理器GPUGraphics Processing Unit圖形處理器FPSFrame Per Second畫面每秒傳輸幀數UAS NFUnmanned Aircraft System Network Function無人機專用網絡功能SAStandalone Architecture獨立組網CAACommon Autonomous Aircraft自行式運輸航空器USSUnmanned Aircraft Supervision Service Platform

95、通用無人機監管服務平臺UTMUnmanned Traffic Management通用交通管理SMFSession Management Function會話管理功能SAMAGlobal System for Mobile CommunicationsAssociation全球移動通信系統協會UUAA-SMUnified UAV Authentication and Authorization-Session Management統一無人機認證授權服務管理流程SIMSubscriber Identity Module用戶身份識別模塊3GPP3rd Generation Partnership

96、Project第三代合作伙伴計劃RANRadio Access Network無線接入網RICRAN Intelligent Controller無線接入網智能控制器UTRANUniversal Terrestrial Radio Access Network通用陸地無線接入網UTRAUniversal Terrestrial Radio Access通用陸地無線接入IoTInternet of Things物聯網NEFNetwork Exposure Function網絡開放功能AIArtificial Intelligence人工智能MLMachine Learning機器學習80/81縮

97、略語縮略語全稱全稱中文釋義中文釋義AWSAmazon Web Services亞馬遜網絡服務RBACRole-Based Access Control基于角色的訪問控制PoSProof of Stake權益證明ADS-BAutomatic Dependent Surveillance-Broadcast雷達網和自動相關監視-廣播IDSIntrusion Detection System入侵檢測系統IPSIntrusion Prevention System入侵防御系統PSOParticle Swarm Optimization粒子群優化算法GAGenetic Algorithm遺傳算法BMSB

98、attery Management System電池管理系統DRLDeep Reinforcement Learning深度強化學習AMFAccess and Mobility Management Function接入和移動性管理功能NWDAFNetwork Data Analytics Function網絡數據分析功能CNNConvolutional Neural Network卷積神經網絡GANGenerative Adversarial Network生成對抗網絡ADNSoftware Defined Network軟件定義網絡eVTOLElectric Vertical Take-O

99、ff and Landing電動垂直起降飛行器UASUnmanned Aircraft System無人駕駛航空系統UAVUnmanned Aerial Vehicle無人機UAMUrban Air Mobility城市空中出行C2Command and Contral指揮與控制USSUAS Service Supplier無人機服務供應方UAEUAS Application Enabler系統應用使能SEALService Enabler Architecture Layer服務能力架構層A2XAircraft-to-Everything飛行器對萬物DAADetect and Avoid探測

100、避讓UTMUnmanned Aircraft Traffic Management無人機交通管理OTTOver-the-top過頂OAMOperation Administration and Maintenance操作維護管理FD-RANFully-Decoupled Radio Access Network全解耦接入網絡81/81致致 謝謝單位名稱單位名稱貢獻人員貢獻人員西安電子科技大學盛敏、劉俊宇、李建東、趙晨曦、周國榮中國移動研究院李新、孫奇、王陽南京航空航天大學董超、屈毓錛、周福輝、戚楠、馮斯夢、王蔚鵬城實驗室陶小峰、李偉超、陳昊、姜帆、鄒龍昊、李強、胡雪陽、羅東琦、周建二、黃賓虹維沃移動通信有限公司袁雁南、田佳雯、姜大潔中國移動通信集團陜西有限公司周敏、李暉、狄文遠、王偉中國移動(成都)產業研究院蘇郁、程倩倩中國移動通信集團設計院有限公司董江波、齊航南京大學周海波、張子天、許云霆、薛鑒哲、袁毅北京理工大學曾捷、楊錚北京郵電大學劉晨熙、彭木根、胡小玲、郭鳳仙大連理工大學趙楠