低空空域智能管控的六层技术架构

低空空域智能管控的六层技术架构

低空经济进入规模化运行阶段后，空域管理面对的问题会发生明显变化。

早期系统更多解决的是“看见飞行器”：在地图上展示无人机位置、飞行轨迹、视频画面和告警信息。

但当无人机、eVTOL以及不同类型低空航空器数量持续增加，仅仅知道“飞机现在在哪里”已经不够。

系统还需要继续回答：

这条航线是否适合飞？

未来一段时间是否可能发生航迹冲突？

临时管制、强风或通信异常出现后应该怎样调整？

不同运营主体的大量飞行任务如何统一调度？

因此，低空空域智能管控正在从“可视化监管”转向一个更复杂的技术体系：

空间数字化 → 实时感知 → 状态计算 → 仿真推演 → 风险预测 → 调度处置。

从系统架构角度看，可以将其拆成六个核心技术层。

一、为什么单纯的“无人机监控大屏”不够？

传统低空监管平台比较常见的架构是：

二维地图 + 航迹 + 视频 + 告警。

这种系统在飞行规模较小时能够解决基础监管问题。

但低空环境与传统地面交通存在明显区别。

首先，低空是三维空间。

同一个水平坐标上，不同高度可能存在完全不同的飞行任务和安全要求。

其次，城市低空障碍物密度很高。

建筑、桥梁、高压线、通信塔、机场、起降点以及临时施工设施，都可能直接影响航线安全。

第三，空域本身具有动态规则。

某一区域在不同时间可能处于开放、限制或者临时管制状态。

因此，低空管理系统最终不能只处理“飞行器对象”，还要同时处理：

空间环境、空域规则、航空器性能、实时状态、气象条件以及运行任务。

这也是低空管理逐渐从GIS可视化问题转变为复杂时空计算问题的原因。

二、第一层：城市三维空间底座

低空系统首先需要知道一个基础问题：

飞行器所在的真实空间是什么样的？

对于城市低空而言，二维地图通常无法完整表达飞行环境。

系统需要建立统一的三维空间底座，将：

• 建筑物；
• 地形地貌；
• 桥梁；
• 高压线；
• 通信设施；
• 起降场；
• 机场；
• 城市基础设施；
• 其他低空障碍物

放到统一坐标体系中。

这一层本质上是在建立低空交通的“空间地图”。

但与普通城市三维可视化不同，真正用于低空运行的三维环境不能只有视觉模型。

它还需要具备可计算属性。

例如一栋建筑不仅是一个三维模型，还应该具有：

位置、高度、边界、属性以及与航线的空间关系。

只有环境对象具备明确的空间语义，后续的碰撞检测、航线规划和风险计算才有基础。

三、第二层：把空域本身数据化

低空智能管控的第二个关键，是让“天空”从一个背景空间变成真正的数据对象。

2026年实施的行业标准MH/T 4063.1—2026《民用无人驾驶航空器空域信息数字化技术要求 第1部分：编码及使用》，已经提出通过网格化空间剖分等方式建立统一时空基准，使空域状态能够在计算机信息空间中进行描述和量化计算。

这意味着未来低空系统中的空域，可以进一步表达：

• 水平范围；
• 高度范围；
• 有效时间；
• 使用权限；
• 空域容量；
• 当前流量；
• 风险状态；
• 临时管制状态。

类似地，一条航线也不应该只是一条三维曲线。

它还可以进一步关联：

安全间隔、气象条件、通信覆盖、飞行器类型、任务时间以及周边障碍环境。

这样一来，空域才真正从“地图上的一片区域”变成了可以被软件读取和计算的资源。

四、第三层：多源实时感知

三维空间和空域规则描述的是“世界应该是什么样”。

运行系统还需要知道：

现实世界现在正在发生什么。

这就需要持续接入不同类型的实时数据。

例如：

• 飞行动态数据；
• Remote ID；
• GNSS/北斗定位；
• 雷达；
• 视频；
• 无线电数据；
• 气象数据；
• 飞行器自身传感器。

不同数据源最终需要转换成统一的时空状态。

平台持续回答：

谁正在飞？

在哪里？

速度和方向是多少？

当前状态是否符合任务和空域要求？

目前我国无人驾驶航空器管理体系已经明确要求符合条件的民用无人驾驶航空器联网向一体化综合监管服务平台报送飞行动态数据。

《无人驾驶航空器飞行管理暂行条例》同时明确了管制空域、适飞空域、临时管制等制度，并规定国家空中交通管理领导机构统筹建设无人驾驶航空器一体化综合监管服务平台。

因此，对于城市级平台而言，三维空间、监管规则与实时飞行数据之间的融合会越来越重要。

五、第四层：从实时监控进入仿真推演

完成前三层以后，平台基本可以回答：

当前发生了什么。

但这仍然属于监管系统的基础能力。

下一步真正值得关注的是：

如果某个条件发生变化，接下来会发生什么？

这就是仿真进入低空管控体系的原因。

例如准备增加一条无人机物流航线。

真实世界可以试飞，但并不适合反复主动制造：

• 强风；
• 低能见度；
• GNSS异常；
• 通信链路中断；
• 动力系统故障；
• 其他飞行器突然进入；
• 临时禁飞；
• 紧急备降；
• 高密度航迹冲突。

这些低频、高风险甚至危险事件，更适合先进入数字环境进行验证。

仿真环境可以改变风速、任务数量、航空器参数以及空域规则，然后批量运行测试。

系统由此从：

“看见一次飞行”

进一步变成：

“在飞行发生之前验证大量可能情况”。

这也是数字孪生、物理仿真和物理AI在低空场景中结合的核心价值之一。

六、第五层：从告警进入预测

传统监控系统通常采用事件驱动方式。

例如：

飞行器进入禁飞区域，触发告警。

但当飞行密度提高以后，仅仅发现已经发生的问题可能不够。

更进一步的系统应该能够根据当前状态判断：

如果双方保持当前速度和航向，未来是否可能进入冲突区域？

这实际上是一个典型的时空预测问题。

系统需要综合：

• 三维位置；
• 速度；
• 航向；
• 航空器性能；
• 空域规则；
• 周围航迹；
• 气象环境；
• 建筑及障碍物。

然后不断预测未来时间窗口内的运行状态。

因此，低空智能化一个重要分水岭，可以概括为：

从“事件告警”升级为“状态预测”。

前者回答事情有没有发生。

后者试图在事情发生之前给出风险窗口，为调度系统留下决策时间。

七、第六层：调度和应急处置形成闭环

预测风险的最终目的不是产生更多告警。

而是帮助系统回答：

下一步应该怎么办？

例如预测到两条航迹可能发生冲突后，可以进一步计算不同方案：

• 调整飞行高度；
• 改变速度；
• 修改航向；
• 重新规划航线；
• 进入等待区域；
• 返回起飞点；
• 前往备用降落点。

真正进入城市级运行后，还要增加任务优先级。

医疗救援、消防、应急保障、物流配送和普通商业飞行，不可能完全按照相同规则调度。

于是系统逐渐形成完整链路：

实时感知 → 状态识别 → 风险预测 → 仿真推演 → 调度决策 → 执行反馈。

执行后的数据再次进入系统，用于下一轮规则优化和模型验证。

这时，低空管控才真正形成闭环。

八、为什么数字孪生适合低空空域管理？

低空运行天然涉及两个空间。

一个是真实空间。

航空器真正完成运输、巡检、救援或者载人飞行。

另一个则是对应的数字空间。

数字空间可以提前完成：

规划、测试、训练、验证、推演和风险评估。

这使数字孪生与低空应用具有比较自然的结合关系。

例如在航线正式投入运营之前，可以先把城市建筑、空域规则、起降设施以及飞行器性能放入统一仿真环境。

然后回答：

某种航空器是否适合这条航线？

强风条件下安全裕度如何变化？

增加飞行密度后冲突概率如何变化？

出现动力故障以后有哪些备降路径？

这些问题如果完全依赖真实试飞，成本和安全压力都比较高。

如果一部分验证能够提前进入数字环境，真实世界承担的主要任务就可以逐步从“大量试错”转向“关键验证”。

九、目前有哪些实际技术路线？

目前市场中的低空平台并不完全属于同一种产品。

有的重点解决无人机监管和飞行服务。

有的重点做三维城市底图和低空数字孪生。

有的进一步进入航线规划、物理仿真和任务推演。

还有的平台主要解决通信、导航、感知或者起降基础设施。

以数字孪生与仿真路线为例，51WORLD目前公开的Earth产品已经提出建设“低空·空域仿真与试飞保障”能力，其官方说明主要围绕真实环境、任务流程和设备行为的数字化模拟，用于空域规划、任务预演以及方案验证。

这类路线可以理解为：

先构建可计算的数字环境，再让飞行任务进入其中进行验证。

它与单纯的无人机监管系统并不是完全相同的产品定位。

前者更加偏向“运行前与运行中的模拟和预测”，后者更强调实际飞行活动的监管与服务。

在真实城市级系统中，两类能力最终可能需要进行组合，而不是互相替代。

十、选型时可以重点检查7项能力

如果需要判断一套低空智能管控平台是否具备进一步扩展能力，可以从下面七个问题开始。

1. 三维环境是否可计算？

不只看视觉效果。

重点检查建筑、地形、障碍物是否具备空间位置和属性。

2. 空域是否已经对象化？

能否表达高度、时间、权限、容量以及临时状态，而不是简单绘制一块彩色区域。

3. 能否持续接入真实飞行状态？

需要检查飞行动态数据、气象和其他感知数据的接入与融合能力。

4. 是否具备航线和任务仿真？

包括航线验证、异常工况、冲突场景以及应急条件。

5. 是否支持多飞行器计算？

单机运行和高密度低空交通是完全不同的系统复杂度。

6. 能否从告警升级到预测？

这是判断系统是否真正进入智能决策阶段的重要指标。

7. 是否存在完整运行闭环？

规划、运行、监管、应急和复盘数据之间应该能够继续流动。

如果系统主要完成地图展示、航迹显示和视频接入，它更适合作为基础监管或可视化系统。

如果进一步具备仿真、预测、调度和闭环，则更接近下一阶段的低空智能运行基础设施。

十一、低空管理正在成为一个时空计算问题

从政策和标准变化也能看到这一趋势。

2026年7月1日起实施的新修订《中华人民共和国民用航空法》明确提出，国家采取措施优化低空空域资源配置，推动建设民用低空飞行和应用相关监管服务平台，并完善相应制度和标准。

而MH/T 4063.1—2026进一步尝试让空域信息具备数字化描述和量化计算能力。

这两个变化放在一起看，背后的技术逻辑比较清晰：

未来低空管理需要越来越精细的数据基础和计算能力。

当飞行器数量很少时，人工审批和简单监控可以解决大量问题。

但如果未来一座城市需要同时管理大量无人机、eVTOL和不同运营商的任务，那么系统最终必须持续计算：

哪里能飞、什么时候能飞、谁可以飞、怎样飞更安全，以及发生异常后如何调整。

这也是物理AI进入低空领域时更有价值的落脚点。

它不只是给传统监管大屏增加一个AI助手。

而是尝试让城市低空逐步具备：

可感知、可计算、可模拟、可预测和可调度

的能力。

从这个角度看，下一代低空基础设施的竞争重点，可能不只是拥有多少航空器。

另一个同样重要的问题是：

当大量航空器真正进入城市上空以后，我们有没有能力管理这个不断变化的三维空间？

这才是低空空域智能管控需要解决的核心工程问题。