低空智能—从感知推理迈向群体具身

CONTENTS一、低空研究背景二、低空数据平台三、低空感知大脑四、低空典型应用CONTENTS一、低空研究背景二、低空数据平台三、低空感知大脑四、低空典型应用低空经济产业已成为国家新兴支柱产业，市场需求呈现井喷式增长低空智能深化赋能经济转型2025年10月，党的二十届四中全会颁布《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》，其中明确指出“打造新兴支柱产业，加快低空经济等战略性新兴产业集群发展，催生数个万亿元级甚至更大规模的市场”。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》 受灾1478万人，经济损失1200亿元死亡失踪117人，经济损失154亿元水情监测 2021年河南遭遇特大暴雨应急搜救 2022年四川泸定6.8级地震安防巡检应用市场规模超过500亿元安防巡检 现有巡检市场缺口巨大复杂环境下，低空智能感知面临“看不清”，“看不准”和“看不全”的挑战“看不清”“看不准”“看不全”雨雪雾恶劣天气和低光照环境降低了无人机对目标的感知清晰度单机视角有限且存在遮挡，无法捕捉目标在所有角度下的的特征无人机高速飞行，场景动态变化，降低了感知准确度复杂环境下，低空推理决策面临语义稀密、空间难解与任务繁复的挑战空间难解任务繁复语义稀密低空强投影与三维信息缺失，需要理解姿态与视角差异，从二维观测中构建空间推理能力。低空视野广实例密。在稀疏文本约束下，从细粒度视觉中辨析细节，需要精细逻辑进行推理。任务高度多样化，在输出结构、知识深度与推理路径上差异巨大，需要跨层次泛化推理能力。从下往上，第三排中靠画面最左侧的红色汽车这个路口中存在的违章行为与异常现象俯拍视角进行目标感知与属性理解斜拍视角进行位置判断与空间度量任务间推理路径差异化感知 目标检测、目标计数、场景分类、异常识别理解 图像描述、条件判断、视觉定位、高度预测推理 物理推理、因果推理、情景推断、反事实推理决策 多机协同、任务规划、动作执行、安全性评估四维度多种任务形式这里是什么场景？ 变电设施间距多少？存在安全隐患吗？复杂环境下，低空具身智能面临“不可靠”，“不精准”和“不可控”的挑战“目标理解不可靠”“动作生成不精准”“体系安全不可控”语言指令与场景理解不稳定，任务目标识别易偏差端到端决策难以解释，对突发场景响应不足，系统级可靠性难以保障动作生成误差导致机械臂需要执行冗余动作才能完成任务行动路径撞上障碍物无人机并未导航至目标点就提前停止动作生成误差导致无人机机械臂操作效率低下复杂环境下，低空群体智能面临数据缺、自主差、协同难的挑战“数据缺”“自主差”“协同难”协同感知与具身基础数据匮乏，导致基座构建受限多机具身协同难，导致群体具身智能感策控实现难多机协同具身感知与推理数据缺乏多机协同感知数据协作具身感知推理场景理解物体理解感知评估协作决策协同自主进化机制匮乏，导致感知与持续学习能力双重受限“自主差”灾难性遗忘感知大模型协同模型1 模型2 性能性能进化难群体感知不一致群体协同规划冲突群体执行协调不稳定CONTENTS一、低空研究背景二、低空数据平台三、低空感知大脑四、低空城市治理 统计机器学习长期关注数据规模、结构及分布与模型泛化间规律数据样本量稀缺需严格约束模型复杂度根据数据结构选择模型维度问题影响模型选择前提假设和静态度量失效经验规律重构新范式导向1961年：维度诅咒Bellman, R. 《Adaptive Control Processes: A Guided Tour》提出维度诅咒，揭示高维空间数据挑战1995年：数据模型经典范式Vapnik, V. 《The Nature of Statistical Learning Theory》提出结构风险最小化原则，建立数据量决定可安全使用的模型复杂度经典范式1971年：VC维Vapnik, V. & Chervonenkis, A. 《On the uniform convergence of events to their probabilities》relative frequencies 提出VC维，连接模型容量与数据样本量1992年：维度问题与统计估计Geman, S., et al.《Neural networks and the bias/variance dilemma》系统阐述非线性模型的偏差-方差权衡与数据维度挑战2010数据分布局限：Ben-David, S.《A theory of learning from different domains》突破IID假设的局限，将“数据分布特性”纳入核心分析框架2019双下降现象与复杂度权衡曲线：Belkin, M. 《Reconciling modern machine learning practice and the bias-variance trade-off》提出双下降，修正经典U形曲线，揭示过参数化区域新动态2019从数据分布学习不变性：Arjovsky, M., et al. 《Invariant Risk Minimization》提出不变风险最小化，学习不变特征2017经典泛化理论质疑：Zhang, C. 《Understanding deep learning requires rethinking generalization》深度学习的“记忆随机标签”实验，质疑经典VC维解释泛化的有效性大模型时代技术迭代也对训练数据的样本规模与质量提出更高标准的数据，是驱动大模型能力进阶的2020年“归纳总结” 发现幂律 参数主导2022年“数据需求” 2023-2024年“能力涌现” 2025年“具身数据受限” 充分训练数据-参数平衡 非线性跃迁数据质量至上虚实数据增效世界模型迁移低空环境感知数据呈现出多任务、多模态和多源协同特性以VisDrone数据集为代表，低空环境感知数据面临简单静态到动态复杂的演进。2016年及以前小规模检测与追踪数据集010302042017年至2020年大规模密集数据与通用检测数据集2020年至2023年多模态动态感知数据集2023年至今多源协同感知数据集UAV-123UAVDTVTUAVVisDroneDroneVehicleAG-ReID以SpatialSky为代表的低空“感知-推理-决策”一体化数据EmbodiedCityCityEQAUrbanVideoOpen3D-UAVAirCopBenchSpatialSkyUAVBench仿真感知推理无人机第一视角场景理解，对话问答，以及任务规划。仿真感知推理虚拟城市中对物体属性，空间关系进行推理判断。仿真推理决策因果/关联/反事实推理；路线规划与动作输出；仿真➡现实泛化测试仿真空间推理在多个视角转换设定下，进行定量空间推理。多源推理决策引入多视角协同推理，加入多源评估与协作决策。现实空间推理基于多源信息构建物理度量，在真实环境中进行空间推理。现实推理决策覆盖多源传感器信息，引入物理约束，进行动力学推理、多机协同、安全决策等任务2024.102025.022025.032025.052025.11以AerialVLN为起点的低空具身智能相关数据集正持续丰富与完善2