针对高速公路交通违法行为识别中存在的目标尺度小、动态特征敏感度不足及多目标空间关系建模薄弱等问题，提出一种基于改进YOLOv8的无人机智能识别算法——GDsec＿YOLOv8。通过引入卷积块注意力模块(Convolutional Block Attention Module, CBAM)双重注意力机制增强模型对小目标(分心驾驶、车辆违规变道等)的特征提取能力，结合Wise-IoU损失函数优化边界框回归过程，有效提升了检测精度与收敛效率。实验表明，改进后的GDsec＿YOLOv8模型在参数量为28.9 MB时，mAP@0.50和mAP@0.50:0.95分别达到99.73%和93.45%,较主流算法性能提升显著。算法以无人机动态巡检为数据源，对所涉及的目标违法行为进行识别，实现地空联动执法，为低空经济与交通治理协同发展提供了技术支撑。
随着当今智能无人集群技术的飞速发展以及低空应用领域的不断拓展，无人集群在高动态场景中协同定位性能显著降低的问题引起了越来越多的关注。当前智能无人集群在高动态场景中由于受到多径传播、电磁干扰、频段拥挤等因素的影响，导致无人集群网络拓扑频繁变化、频谱资源严重受限、网络资源竞争激烈，无法为协同定位需求提供持续连通、弹性自主的网络支撑。针对当前无人集群在高动态场景中可信的协同定位能力需求与有限的网络资源之间的矛盾，提出了一种智能无人集群协同定位网络模型，从无人集群网络智能管理、网络资源均衡分配等方法研究方面根据协同定位任务需求在集群网络节点数量、节点之间关系以及资源配置等方面进行优化设计，为无人集群提供更加主动、更加智能的网络管理以及资源分配能力，为智能无人集群在高动态场景下的协同定位应用提供重要理论基础。
<正>低空经济作为国家重大战略部署，是新质生产力的典型代表，其本质是地面经济活动向低空空域的拓展，这种拓展的有效性和规模化取决于空间信息基础设施的完备性和安全性。该类空间信息基础设施不同于地面基础设施，具有空间数字化、网络化、体系化的特点，其中时空感知与管控运维是低空信息网络的关键核心，是保障低空飞行安全及经济活动安全的必要支撑手段。
无人机技术的广泛应用对其安全性与可靠性提出了更高要求，基于指纹特征的识别技术成为管控非法无人机的关键手段。为系统综述基于深度学习的无人机指纹识别方法研究现状，重点关注现存神经网络架构、数据集问题及其优化，以及复杂环境中的适应性提升。介绍了深度学习架构如卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Network, RNN)等在无人机信号特征提取和分类中的应用现状、优势及其改进；研究分析了训练数据集现存问题，总结了样本总量不足和类别间样本比例失衡两方面挑战，针对这些问题的数据扩充技术进行了分析；研究总结了深度学习技术在噪声干扰、硬件缺陷、特定地形等复杂环境下提升无人机指纹识别适应性的优势与做法。清晰指出了现有架构的优势与改进方向、数据集的核心瓶颈及解决路径、复杂环境下的增强策略，为深度学习在无人机指纹识别领域的应用与发展提供了重要参考。
在自动驾驶领域中，3D占用预测(3D occupancy prediction)算法是环境感知领域的一项重要技术。目前许多3D占用预测算法依赖于3D体素空间的完整真值信息，标注此真值的过程耗时耗力，常存在标注模糊不清的情况，限制了算法的可用性和可扩展性。由于周视相机的成本优势以及图像具有丰富语义信息的性质，利用2D真值数据监督3D占用预测的方法逐渐受到更多关注。为了解决这一问题，提出了基于3D高斯溅射(3D Gaussian Splatting)的周视3D占用预测方法——GaussianOcc。将3D体素特征转换为显式的3D高斯表示，利用3D Gaussian Splatting将3D高斯映射为相机平面的2D高斯并渲染出2D语义与深度图。通过最小化渲染图与2D真值之间的损失来优化模型。实验数据表明，在nuScenes数据集上，与基线模型RenderOcc相比，GaussianOcc的平均交并比(mean Intersection over Union, mIoU)指标提升了7.7%,在汽车、行人类别上的交并比(Intersection over Union, IoU)指标分别提升了35.5%、40.7%。
低空时空网是低空安全信息基础设施的重要组成，是低空经济走向规模化、安全化、标准化应用的必要条件。提出了低空时空网的概念内涵和体系架构，分析了高安全低空时空网天空地协同融合技术、无人集群感通导控一体化网络技术、高可信网信终端技术、低空时空网导航安全综合监测评估技术、基于多维网信场图的飞行安全风险评估技术等关键技术。构建了“云-边-端”的网络化、数字化、智能化低空飞行服务与管理模式，实现了对各类低空飞行器个体及群体的智能导航、气象预报、实时监控、调度管理、风险预测评估和飞行辅助服务，为低空飞行提供泛在、精准、可信的时空信息支撑，实现时空数据驱动的低空安全管理。
随着低空经济的快速发展，无人机在物流、安防、应急救援等领域的应用日益广泛，而无人机目标检测技术作为维护低空交通秩序、保障公共安全的核心支撑，具有重要的研究和应用价值。介绍了无人机红外目标检测技术的研究背景和意义；详细剖析了传统算法与基于深度学习算法的原理、步骤及各自的优劣；对无人机红外目标检测的关键技术进行了分析，包括小目标检测技术、复杂背景适应技术、实时性优化技术和轻量级模型设计；探讨了无人机红外目标检测技术所面临的核心挑战及未来发展趋势，为低空经济场景下的算法选型及工程部署提供了有益参考。
无人机违规违法飞行相比于传统的违规违法行为，在发生场景、应对手段以及证据遗留形式上均有所不同，电子证据成了此类案件中最主要的证据形式，通过分析无人机违法飞行涉及的电子证据，能够将现场情况完美地进行还原。需要根据涉案无人机中实物证据和电子证据并存、静态证据和动态证据兼具的特点，突破以静态和固态为主的物证认知和以存储态电子数据为主的电子证据认知中存在的局限，构建无人机证据的证据模型，形成体系化的现场勘验取证方法、取证技术、取证装备和取证操作规范，为低空安全治理工作提供全面的技术支撑、规范的法庭证据和专业的取证技术人才储备。
近年来，随着以ChatGPT为代表的大语言模型(Large Language Models, LLMs)在通用人工智能方向上取得突破性进展，国内外掀起了大模型应用的研究热潮。人类获取和处理信息的方式往往涉及视觉、听觉、文本等多种模态，单纯依赖文本的语言模型难以充分理解和表达复杂的现实世界信息。因此，研究者开始探索将LLMs扩展到多模态领域，通过统一建模文本、图像、视频等不同类型的数据，构建具有跨模态理解能力的多模态大模型(Multimodal Large Models, MLMs)。对MLMs的发展现状进行了全面梳理，重点介绍了当前主流的模型架构、训练策略以及评估方法，并分析了该领域面临的挑战和未来发展方向。随着模型参数规模和训练数据的大幅扩展，MLMs在跨模态任务中的性能显著超越了传统方法，为通用人工智能的发展奠定了重要基础。这些模型在视觉问答(Visual Question Answering, VQA)、图像描述、多模态对话等典型任务中展现出卓越的理解与生成能力。然而，当前MLMs仍存在长序列处理效率、计算资源需求以及模型可靠性等方面的技术瓶颈。未来研究将致力于在保持模型性能的前提下提升计算效率，并推动技术从通用框架向领域专用解决方案的转化，为通用人工智能的实现和产业智能化转型提供关键技术基础。
针对船舶自主航行、无人农具作业等需要高精度定位的应用场景，单纯依靠导航卫星定位系统已不能满足需要，需要通过辅助方法增强定位精度，而海上和偏远农场等场景往往无地面网络覆盖，无法采用地基辅助定位的方式。介绍了基于高通量通信卫星辅助的北斗定位性能增强技术，从系统架构、实现技术和算法原理三方面对其收集、处理、播发、解算定位数据进行了阐述和分析；结合实践和应用介绍了系统定位增强性能的效果，分析了定位增强系统可应用的领域。以高通量卫星为辅助手段的北斗定位增强技术进一步提高了北斗系统的定位精度，是北斗系统的有力补充。