低空智联网核心解析：通感算一体化与Agentic AI落地实践

低空智联网这个概念我盯着它好几年了。早几年大家聊无人机通信基本就是能不能远一点、图传清不清楚到了这两年话题突然就变了变成网络能不能自己看见空域、自己调度算力、自己拿主意。这种变化背后是两个关键词在推动一个是通感算一体化另一个是Agentic AI。前者解决的是低空网络有没有眼睛、有没有脑子的问题后者解决的是能不能自主干活的问题。这篇文章我想把这条链路完整拆开从无线接入层的通感一体化设计到算力层的边缘协同再到决策层的智能体框架讲清楚每一层在解决什么问题、为什么这么设计、落地时会踩哪些坑。内容主要来自我参与的一个低空管理平台模拟项目X涉及多无人机协同、感知防碰撞、边缘算力调度和智能体决策验证。这个项目不算大但链路很完整基本覆盖了低空智联网的核心环节。如果你正在做低空通信、无人机监管、边缘AI或者智能体规划相关的事情这篇文章值得看完就算你不做低空里面关于通感一体化、算力卸载和Agent设计的方法也可以借鉴到其他实时控制场景里。1. 低空智联网的定位与整体设计思路1.1 低空智联网到底解决什么问题要理解低空智联网先得丢掉给无人机加个基站这种思路。早期无人机和地面控制站之间的通信其实是点对点的遥控链路控制站发射遥控指令无人机回传遥测和视频流。这种模式在单机、低密度场景下没问题但一旦飞行器数量上来、任务协同变复杂点对点模式就扛不住了。低空智联网要做的事情是把几十上百架飞行器、地面基站、边缘计算节点、中心云统一纳入一张可感知、可计算、可控制的网络。它不是在通信协议上修修补补而是重新定义了空域信息系统的形态网络既要保证飞行器的高移动性接入又要在低时延约束下完成控制指令下发还要实时感知空域环境、动态分配算力资源。实际工程里这三件事经常互相打架。感知任务挤占通信资源计算任务又要求低时延网络支撑飞行器运动速度一快切换和调度策略就得跟着变。所以低空智联网本质上是个系统优化问题不是单一的通信问题。我们的做法是先定义清楚每一层的职责边界再通过统一的数据接口把三层串起来避免做成一座座孤岛。1.2 为什么必须走通感算一体化这条路有人会问通信就通信为什么非要把感知和计算绑进来答案四个字成本约束。如果通信一套设备、雷达一套设备、计算又一套设备部署下去成本、功耗、体积、维护复杂度全部失控。低空经济要规模化基础设施就必须尽量复用用一套频谱、一套基站、一套算力体系去承担多种功能。通感一体化的技术逻辑简单说就是让通信基站兼任雷达。基站发射的无线信号在完成数据调制的同时也是一次电磁波探测信号打出去碰到目标反射回来接收端通过回波处理就能算出目标的距离、速度和方位角。这样一来低空空域里有什么飞行物、从哪个方向来、速度多快网络自己就知道。计算为什么要一起做进去因为感知数据量太大了。一个多天线阵面的回波数据在线处理每秒几十兆字节全部搬回中心云既不现实也没必要。正确的做法是在边缘节点就近完成检测和跟踪只把语义化的目标信息上报给上层决策模块。这个思路用一句话概括数据在边缘被消化中心只拿结论。1.3 从通信网络到智能体的演进主线低空智联网的架构演进我习惯分成三个阶段来看。第一个阶段是固定链路网络只提供传输管道飞行器的决策完全靠地面人员人工判断。第二个阶段是感知协同基站具备感知能力空域目标可以自动检测但决策逻辑还是写死的规则比如检测到入侵目标就告警。第三个阶段就是我们正在探索的智能体阶段网络本身在一定范围内拥有自主决策权。Agentic AI在这个场景里不是噱头而是刚需。低空空域里飞行器数量越多实时状态变化越快纯人工值守就越不现实。智能体要承担的事情包括发现异常目标后自动评估风险等级决定是跟踪还是警告多架无人机同空域作业时自动规划航线优先级感知和通信资源冲突时动态调整资源配置策略。这里要特别澄清一点Agentic AI不是在大模型外面套个壳就够了。它需要对空域状态有结构化理解能调用底层通感和算力接口能在执行失败后自我修正。落到工程上它是一个完整的决策闭环而不是一个对话机器人。2. 核心架构分层拆解2.1 感知层、通信层、算力层的边界与协同模拟项目X的整体架构分了三层感知层、通信层、算力层。感知层负责获取空域环境数据主要来源有三种——通感一体化基站的雷达回波、机载摄像头和激光雷达的目标探测、以及飞行器自发上报的位置与状态数据。通信层负责控制信令、遥测数据、载荷数据在空地之间的可靠传输。算力层则是一个三级计算体系覆盖机载端、边缘节点和中心云。三层之间不是简单的上下级关系而是双向驱动的。感知层发现某个区域有异常目标会直接触发通信层的波束调度变化同时通知算力层分配边缘节点做持续跟踪。通信层的链路质量变化反过来也会影响感知数据的回传策略比如链路拥塞的时候感知层会降低上报频率只上报高置信度目标。这个设计在项目初期被讨论过是否过度设计。当时的疑虑是耦合太紧万一某一层出问题会不会整条链路都瘫痪。后来我们用了接口解耦的方式解决层与层之间只约定数据接口不感知对方内部实现。感知层只管产出目标级元数据通信层只管保证传输算力层只管任务调度。各层内部怎么实现彼此不关心。这样既保证了协同效率又减少了故障扩散的风险。2.2 通感一体化同一套频谱里的双重职能通感一体化是整个低空智联网最底层也是最核心的一环。它的设计目标很直接基站发射的信号既要传数据又要当雷达用。在系统设计上我们在5G NR帧结构的基础上分配一部分时隙给感知业务。感知时隙里基站发射已知探测信号然后接收目标反射回来的回波通过匹配滤波和CFAR检测提取目标的距离、速度、角度信息。为什么不用专门的雷达成本之外还有一个核心原因频谱。低空智联网的基站数量巨大如果感知功能需要单独占用雷达频段频谱资源根本分配不过来。而用通信频谱做感知最大的好处是频段复用、设备复用、天线阵列复用成本增量被压到了很低的水平。通感一体化也不是没有代价最大的代价是资源竞争。感知时隙占比越高目标检测能力越强但通信容量会下降感知时隙占比太低回波积累不够检测概率就上不来。我们最开始用了固定配比比如10%的时隙给感知结果发现早晚高峰业务量大的时候通信时延明显恶化而夜间低业务量时感知资源又被白白浪费。后来改成动态时隙分配根据实时业务量和目标风险等级做调整才勉强平衡了两边的需求。2.3 算力协同从集中云到边缘的计算卸载低空场景的计算需求非常特殊既有时延极度敏感的控制类任务又有资源消耗巨大的感知分析类任务。全部放云端时延过不了关全部放机载算力又不够。多级算力协同几乎是唯一合理的答案。在模拟项目X里我们建设了三级算力飞行器机载计算单元负责飞控和避障等最紧急的任务边缘计算节点负责感知数据的实时处理比如目标检测、轨迹滤波、航迹跟踪中心云负责离线训练、全局仿真和跨区域的资源调度。多级算力协同的关键是计算卸载策略。什么时候把任务卸载到边缘什么时候留在本机需要综合考虑三个因素时延预算、数据量、节点负载。我当时的实现是一个轻量级的评估器每500毫秒检查一次任务队列控制类的任务默认留在本机感知分析任务先估算本机处理时延如果超预算就卸载到最近的边缘节点。这个策略初期比较粗糙但跑了一段时间后发现只要边界条件设置合理大部分任务都能落到合适的层级。3. Agentic AI 与低空智联网的结合范式3.1 什么是 Agentic AI低空场景为什么需要它Agentic AI直译是智能体AI它和我们熟悉的输入一段提示词、吐出一段回答的交互式AI有本质区别。智能体的核心特征是它在没有人类逐条指令的情况下能够自主完成一个目标导向的过程感知环境状态拆解任务步骤调用外部工具执行动作并观察结果再根据结果调整下一步行动。低空智联网是智能体的绝佳落地场景因为这里的环境变化速度远超人力反应极限。假设一个区域同时有20架物流无人机在执行任务其中3架突然被强侧风推离航线又有1个未知目标从旁边闯入空域操作员根本来不及逐条处理。智能体可以迅速做出判断偏离航线的飞行器重新规划路径未知目标进入跟踪队列相邻空域的飞行器调整间距。和传统专家系统相比智能体的优势在于泛化。专家规则只能处理程序员预先写好的情形遇到新情况就无能为力。而智能体基于大模型的语义理解能力能在不完全信息下做推理给出一个相对合理的应对方案。这在动态、开放的低空场景里价值巨大。3.2 智能体如何调度通感算资源模拟项目X里我们做了一个叫空域智能体的模块它不直接操作底层硬件而是通过控制接口调度各种资源。智能体的工作流我拆成四步第一步感知环境。智能体从感知层拿当前空域态势图包括目标列表、位置、速度、风险等级还有通信链路质量和算力节点负载统一格式化成结构化状态描述。第二步任务分解。智能体接收上层指令比如完成东区物流配送同时保证核心区无冲突然后把这个指令拆解成一系列子任务路径预规划、目标监测、通信资源申请、异常处置预案。第三步资源申请。子任务需要底层能力支撑智能体通过接口协议向通信管理器申请波束资源和时隙配额向算力编排器申请边缘计算节点和GPU资源。第四步执行与反馈。动作执行完毕后智能体把结果回传更新自身的上下文记忆供下一轮决策使用。这套工作流和通用Agent模式基本一致但有一个显著区别低空场景对时延的要求非常苛刻。决策到执行的闭环长链路拖到秒级就会有问题。所以我们的智能体实际被拆成两层快速反应层和慢思考层。快速反应层用一个轻量的策略网络做即时判断响应时间在几十毫秒量级慢思考层用大模型处理周期更长的规划和复盘例如每5分钟评估一次整体空域效率调整后续任务安排。3.3 从规则引擎到智能体的三段演进路线在架构设计阶段我们考虑过是否直接从规则引擎跳到智能体。最后结论是不要跳而是要平滑演进因为安全关键场景不能把生产系统押在一个还没充分验证的技术上。第一阶段的规则引擎所有决策逻辑写在配置里。优点是确定性强、可解释、方便安全审计缺点是场景一变改配置就到极限几百条规则堆在一起之后规则之间互相冲突排查头疼。第二阶段的强化学习策略让策略网络在仿真环境中不断试错形成从状态到动作的映射模型。优点是决策速度快、能够处理连续控制问题缺点是可解释性差训练需要大量仿真数据而且真实环境与仿真的差异容易导致策略失效。第三阶段的智能体架构把大模型常识推理和工具调用结合起来。它能看到全局语义能解释自己的决策还可以对接外部系统接口。我们目前把智能体用于非安全关键但复杂度高的协同任务安全底线仍然由规则引擎兜住。我的结论是这三者不是替代关系而是分层配合的关系。低空智联网的完整决策体系里规则引擎是底线强化学习策略负责高频实时动作智能体负责中高频的协同决策和异常应变。4. 关键模块实现与实操要点4.1 通感波形设计与参数选择通感波形是整套系统里最物理的部分也是最容易想当然的部分。我先说一个关键参数感知距离。假设我们要感知500米内的目标按电磁波来回传播计算最远传播时延约3.3微秒。这个时延决定了信号帧结构里必须预留足够的保护间隔否则回波会落在下一个符号上形成严重干扰。再一个是感知时隙占比。我们的初始配置是每个无线帧里分配固定比例的感知时隙测试下来调到8%左右效果较好。感知占比过低的后果是目标回波积累不足检测概率直线下降感知占比过高通信控制信令的时延会恶化到不可接受。还有子载波间隔和速度模糊的关系。低空目标速度通常在每秒30到60米用标准15kHz子载波间隔可以正常解析但目标是高速飞行器的时候多普勒频移会超过一个子载波周期出现测速模糊。实际工程中有两个解法一是用更大的子载波间隔拓宽多普勒范围二是连续几个时隙做多普勒测量再通过解模糊算法消除歧义。要注意加大子载波间隔会缩短符号时长对长距离场景不利参数选择需要权衡。4.2 感知-通信-计算的协同数据流设计这套系统里数据流设计比算法设计更容易翻车。感知层每天产生的数据量如果用原始波形方式回传任何网络都扛不住。我们的做法是在基站端完成信号处理就地进行目标检测、跟踪、分类然后把语义化结果通过接口上报。语义化结果长什么样就是一条结构化的目标记录包含目标ID、类型置信度、经纬度、高度、速度、航向角、风险等级。中心云接收到的是一张干净的态势表而不是一堆难以利用的原始回波。这个设计的好处很明显数据传输量降低了至少两个数量级决策模块能直接消费数据不需要再写复杂的解析逻辑。但这里埋了一个隐患边缘端做了大量预处理之后原始数据被丢弃后期如果发现算法有误判很难回溯到原始回波去定位问题。我们当时的处理是在边缘节点保留24小时的原始数据滚动存储只在需要排查问题时才调取。数据保留策略虽然简单却帮我们在后续问题定位中省了大量时间。4.3 智能体决策机制的最小可用实现智能体不能空谈架构必须落到可运行的最小实现。我设计了一个三组件框架分别是状态编码器、规划器、执行器。状态编码器把空域态势转换成文本和数值混合的结构化表示规划器接收任务指令结合当前状态生成行动计划执行器把计划翻译成系统可执行的接口调用。举一个具体场景边缘节点检测到一架未注册飞行器闯入保护区。状态编码器生成类似目标IDT-1001位置东经XXX北纬XXX高度85米速度12米每秒风险等级中的状态描述。规划器接收到之后根据内部策略生成一个JSON结构指令{ action: track_and_evade, target_id: T-1001, actions: [ {type: increase_perception, region: core_area, duration_ms: 30000}, {type: reroute, uas_id: U-2034, new_altitude: 120}, {type: notify, level: medium, message: unregistered target in core area} ] }执行器拿到指令后做两件事先校验指令格式和目标动作是否合法再按顺序调用具体的控制接口。我们要求规划器输出的指令必须是可以程序解析的结构化格式不允许自由文本目的就是让执行器可以硬编码解析同时也方便在沙盒环境里做无风险测试。5. 常见问题与排查技巧实录5.1 感知虚警过高智能体被海量无效告警淹没这个坑几乎必然遇到。开通感知功能的第一周边缘节点每小时上报上千条告警一查大部分是误检飞鸟、树枝、远处地面车辆反射、甚至某些电子设备的偶发干扰都被检测算法当成了目标。排查方向有两个第一个是CFAR检测的恒虚警门限设置。门限太低虚警肯定多我们把门限从固定值改成自适应门限根据背景噪声的实时统计动态调整。第二个是在检测链路后面加一道目标分类网络用微多普勒特征区分无人机、鸟类和地面杂波。无人机旋翼旋转会产生明显的微多普勒调制鸟类和杂波没有这个特征这是分类的关键依据。处理完之后还保留了一批目标但虚警数量下降了大概七成。5.2 算力调度延迟导致决策链路超时有一个阶段测试场景一跑到多机协同环节决策时延就飙到3秒以上完全超出预期。定位后发现问题不在算法而在算力编排器的任务排队策略所有任务都进同一个优先队列高实时性的感知追踪任务和数据批处理任务排队感知任务被数据任务卡住了。解决方案是两级队列调度紧急任务进入快速队列实时抢占执行普通任务进入批量队列按资源余量调度。追踪类、避障类任务永远走快速队列数据分析、模型推理类任务走批量队列。这个改动实施后P95决策时延从3秒多降到1.2秒左右效果非常明显。5.3 智能体幻觉与指令校验机制大模型生成的指令偶尔会出现幻觉就是它自己脑补了一个不存在的接口或者给出一个违反物理约束的指令。比如让飞行器穿过一个实际存在的禁飞区明显是不合理的。这种问题不能靠提示词工程解决必须加硬校验。我在执行器里加了两层防护第一层是接口白名单智能体只能调用白名单里已有的系统能力不在白名单的调用直接拒绝第二层是物理约束校验所有涉及航迹变更的指令都要经过禁飞区冲突检测和飞行性能包线检测不满足约束直接打回。经过这两层防护之后幻觉指令对系统的影响基本被控制住了。5.4 常见问题速查表故障现象触发场景主要排查方向处理建议虚警数量激增复杂地物、鸟类活跃区域CFAR门限、目标特征识别调高门限加微多普勒分类过滤通信吞吐量骤降感知时隙占比过高时隙配比、业务量统计动态调整感知时隙按需扫描决策链路超时边缘算力满载、任务排队算力编排队列策略快速队列和批量队列分离调度智能体生成非法指令开放域任务、上下文不完整指令校验、上下文窗口接口白名单加物理约束两层校验目标跟踪出现断点多径、遮挡、目标机动过大波束管理、单节点跟踪丢失引入多节点联合跟踪延长关联窗口多机航线冲突动态路径规划未考虑全局冲突消解算法、规划频率在区域节点加全局冲突检测模块6. 落地过程中的几点实战心得回头整理这个项目有五个让我印象很深的教训。第一不要一开始就设计一个包打天下的超融合架构。我们在项目初期也画过一张涵盖通感算和智能体的宏大架构图但真正落地时发现过度耦合会导致系统根本跑不起来。后来改成先拆成独立模块通信模块、感知模块、算力调度模块、智能体模块各自迭代功能验证通过后再逐步融合反而进展顺利。第二仿真环境的价值怎么强调都不过分。低空场景的实飞测试成本高、周期长很多边界条件根本没法在真实环境里安全复现。我们搭了一个高保真的仿真平台把无线信道模型、飞行器动力学模型、空域环境模型都放进去大部分算法问题都是在仿真里先暴露、先解决的。第三数据治理要在早期考虑。感知日志、决策日志、智能体推理记录、接口调用记录这四类数据缺一类后期都查不出问题。我们曾经忽略过智能体的推理日志导致定位一次误决策时无从下手后来补记录才勉强还原了过程。事后想想如果一开始就设计好结构化日志能省下几周的排查时间。第四系统测试要分层跑。单元级测功能正确性链路级测模块间接口场景级测业务闭环系统级测整体性能。跳过任何一层代价都在后面补回来。我们曾经跳过链路级直接做场景测试结果发现感知模块上报的数据格式和算力模块的批处理接口对不上光联调就花费了很长时间。第五安全冗余必须优先于功能完整。低空飞行直接关系到人机安全系统里任何不成熟的功能都不能带病上线尤其是智能体决策模块上线前必须验证自身行为边界。我们现在凡是智能体触达物理执行层的动作一律经过规则引擎审核这就是安全底线。这个方向后续还有很多东西可以做。比如把智能体的推理能力从单域扩展到跨域让多个空域智能体之间能够协商解决问题也可以把通感算一体化的资源调度优化做成一个线上学习系统让它随着运行数据的积累自动调参。每一步走得都不快但方向是对的。低空智联网这个赛道技术纵深很长能做的事还很多值得持续投入。