AI大模型与自主智能体在低空系统的工程化落地：机载自主决策、数字空管仿真与复杂环境飞行可靠性

AI大模型与自主智能体在低空系统的工程化落地：机载自主决策、数字空管仿真与复杂环境飞行可靠性

作者：巴克豪斯智能科技（苏州）有限公司、巴克豪斯低空经济研究院
摘要
随着低空经济产业进入规模化落地阶段，城市空中交通（UAM）、低空物流、巡检、应急救援等场景对航空器自主能力提出极高要求。传统基于固定规则的飞控系统难以应对城市低空复杂环境中的动态障碍物、气象扰动、通信中断、多机高密度冲突等非预期工况。以 AI 大模型为认知内核、自主智能体为闭环执行单元的技术路线，正在重塑低空系统的感知、规划、决策与故障处置范式。本报告围绕低空场景下 AI 感知融合、动态路径重规划、机载故障自主处置三大核心工程模块展开系统性研究；提出大规模数字孪生空域仿真平台架构，支撑千级、万级航空器并发的海量航班压力测试，构建虚实联动验证体系；重点剖析机载 AI 可解释性、安全兜底机制、模型验证与适航标准，尝试解决自主飞行的可信性难题。报告同时梳理当前技术瓶颈、工程化落地约束、监管适配路径，给出分阶段工程化实施路线，为低空自主系统研发、空域仿真验证、安全评估提供理论框架与工程参考。

关键词：低空经济；AI 大模型；自主智能体；机载自主决策；数字孪生；数字空管；可解释 AI；飞行可靠性；自主故障处置

第一章 绪论

1.1 研究背景

我国低空空域管理改革持续推进，无人驾驶航空器、eVTOL 等低空载人 / 载货飞行器逐步从试验示范走向商业化运营。城市低空环境区别于传统民航高空空域，具有建筑物遮挡、电磁干扰强、障碍物类型复杂、气象局部突变、多异构飞行器混飞、地面人员资产密集等特征，属于高动态、部分可观测、强不确定性的复杂安全关键场景。传统无人机采用预规划航点 + 固定避障规则的架构，仅能处理预设场景，当出现突发障碍物、突发风切变、传感器失效、通信链路中断时，容易出现决策失效，无法满足高密度城市空域大规模运营需求。

通用大模型具备多模态理解、常识推理、规则语义解析、场景泛化能力；自主智能体构建 “感知 — 理解 — 规划 — 执行 — 反思” 闭环，将大模型的认知能力嵌入机载边缘端，形成具备任务级推理的机载自主决策单元，而非仅完成底层控制。这种技术组合，为低空飞行器在开放复杂环境下的自主运行提供了新路径。但大模型天然存在黑箱特性、输出随机性、幻觉风险，一旦部署在机载安全关键系统，决策不可追溯、失效行为不可预测，直接制约适航认证与商业落地。因此，不能简单将通用大模型直接搬上飞行器，必须做领域对齐、轻量化裁剪、安全约束嵌入、可解释改造，并依托数字孪生仿真平台完成海量边界场景验证，建立独立于模型推理层的安全兜底机制，实现 “AI 做决策，硬兜底保安全” 的体系架构。

在空域管理层面，传统空管仿真工具容量有限，场景覆盖不足，难以模拟数千架航空器在城市网格空域并发运行下的涌现冲突、级联失效效应。数字孪生空管仿真平台将地理、建筑、气象、通信、飞行器动力学、管制规则进行全要素数字化建模，实现虚实映射、批量压力测试、故障注入、对抗场景推演，成为自主飞行系统工程化验证不可或缺的数字试验场。

1.2 研究目标与研究范围

本报告研究目标：构建基于大模型自主智能体的低空机载自主决策技术体系；研发面向高密度空域的数字孪生空管仿真平台；建立机载 AI 可信评估框架，包含可解释性、安全兜底、模型验证标准；打通从仿真验证到实飞迭代的工程化闭环，提升复杂环境下低空自主飞行可靠性。

研究范围限定于：城市低空空域（1000 米以下）无人航空器、eVTOL 类垂直起降飞行器；单机机载端自主感知、路径重规划、故障自主处置；大规模空域数字孪生仿真与多机冲突压力测试；机载 AI 安全与可信性评估，不包含飞行器硬件结构强度、动力系统详细设计、地面基础设施建设等非算法与软件体系内容。

1.3 国内外研究现状

国际上 NASA、欧盟、英国图灵研究院在 UAM 与低空交通领域开展大量研究，Bluebird 项目使用多智能体仿真，验证 AI 空管在高密度空域冲突消解，重点研究可解释、可审计的空域智能管控机制，证明多智能体在大规模空域调度的可行性，但机载端大模型决策、故障自主处置融合验证仍然处于早期阶段。在学术领域，LLM-Centric Agentic UAV 架构被提出，把大模型作为高层认知，传统控制算法作为底层执行，实现任务语义理解、工具调用、环境反思；研究指出，大模型智能体存在感知投毒、幻觉、输出不稳定风险，安全边界约束是落地核心难点。国内在低空数字孪生、无人机避障、航迹规划领域已有较多成果，中科星图、达索等厂商搭建低空仿真沙盘，支持数百架航空器同步推演，但是面向万级航班并发、故障注入、AI 决策端到端压力测试平台仍较少，机载 AI 适航、模型验证标准尚未完全统一。

现有研究普遍存在一个共性缺口：多数工作将大模型作为独立算法模块，缺少与飞控安全兜底、故障处置、数字孪生仿真平台一体化工程化体系设计，可解释性研究停留在算法层面，缺少面向航空安全的量化评估指标，难以直接支撑适航审查。本报告针对该缺口，从工程落地视角构建完整体系。

1.4 报告结构

第一章绪论，阐述背景、目标、现状；第二章定义低空场景下 AI 大模型 + 自主智能体体系架构；第三章研究低空多模态 AI 感知融合技术；第四章研究动态路径重规划；第五章机载故障自主处置；第六章大规模数字孪生空域仿真平台构建与海量航班压力测试；第七章机载 AI 可解释性、安全兜底机制；第八章模型验证与可信性评估标准；第九章工程化落地挑战、风险与分阶段实施路线；第十章结论与展望。末尾附数据来源、免责声明。

第二章 低空系统 AI 大模型与自主智能体体系架构

2.1 自主智能体闭环定义

低空机载自主智能体采用分层架构，分为高层认知层（大模型）、战术规划层、底层控制层、安全监控与兜底层，形成持续闭环：感知采集→环境理解与态势推理→任务规划 / 重规划→飞控执行→状态反馈与效果反思→模型自校准。
高层认知大模型不直接输出电机控制指令，负责语义理解、规则解读、风险推理、异常事件解释、任务目标拆解。例如，识别前方为施工塔吊、临时风筝、飞鸟群，结合空域禁飞规则、气象信息，判断风险等级，给出宏观策略建议；战术规划层接收高层策略，输出可行三维航迹；底层飞控执行航迹跟踪；安全监控层独立运行，不依赖大模型输出，持续校验飞行器状态、距离保护间隔、边界约束，一旦 AI 决策越界，直接触发兜底保护动作。

这种分层隔离设计是安全关键系统的核心工程原则：认知智能与安全兜底解耦。大模型负责复杂场景推理，安全监控是独立硬实时系统，二者并行运行，避免大模型幻觉、失效直接导致飞行失控。

2.2 云 - 边 - 端协同架构

• 机载端（边缘端）：轻量化多模态基础模型、感知融合模块、机载智能体、故障诊断单元、实时飞控与安全兜底。机载算力受限，模型经过剪枝、量化、LoRA 领域微调，只保留低空飞行相关知识，保障推理时延满足飞行实时性要求。

• 边缘节点（低空基站 / 区域管制节点）：局部空域数字孪生、多机协同冲突预检测、局部态势分发。

• 云端：全空域数字孪生主平台、大模型离线训练、仿真压力测试、场景库扩充、模型版本管理、全量飞行日志存储、审计追溯。

通信链路存在中断风险，因此机载智能体具备断链自主运行能力。通信正常时，云端 / 边缘下发全局空域态势；通信丢失后，机载端依靠本地感知、本地地图、本地模型独立完成避障与故障处置，等待链路恢复后回传日志。

2.3 大模型领域对齐与轻量化改造

通用大模型不具备航空领域约束知识，直接部署会产生规则幻觉。工程化改造流程包括：低空领域数据微调、安全规则注入、拒绝不安全输出、输出结构化约束。训练数据集包含城市三维环境、气象样本、航空器故障样本、管制规则、历史实飞与仿真事故案例。采用参数高效微调，减少训练成本，同时进行模型量化、蒸馏，把多模态大模型压缩至机载异构硬件可承载的体量，控制推理延迟，满足动态障碍物场景下毫秒级响应需求。

自主智能体内置工具调用能力，大模型不直接控制飞行器，而是调用感知融合工具、航迹规划工具、风险评估工具、故障处置工具。所有工具输出结果都会被独立安全层校验，防止模型通过工具调用输出危险指令。

第三章 低空复杂环境 AI 感知体系

3.1 低空感知难点

城市低空感知面临：静态障碍（楼宇、塔吊、电线）、动态非合作障碍（飞鸟、风筝、临时施工设备、其他小型飞行器）；传感器噪声、雨雾逆光导致视觉退化；GPS 遮挡、多路径效应造成定位漂移；电磁干扰导致雷达点云丢失。单一传感器存在缺陷，必须采用多传感器融合 AI 感知方案，包括激光雷达、可见光、红外、毫米波雷达、超声波、惯导、GNSS。传统阈值融合方法在极端天气、遮挡场景容易失效，AI 感知融合可以学习不同传感器置信度动态权重，在某一类传感器失效时自动降低其权重。

3.2 多模态 AI 感知融合模型

采用多模态基础模型作为感知融合内核，将图像、点云、雷达回波、定位时序数据统一编码，输出带不确定性置信度的三维环境占用栅格、障碍物类别、运动预测轨迹。模型输出每个障碍物的类别、三维包围盒、速度、运动方向、预测未来 3~10 秒轨迹，同时输出感知不确定性指标。不确定性指标至关重要：当置信度低于阈值，系统不采信该检测结果，提升安全保守等级，触发减速、悬停等保守动作，而不是强行规划穿越。

感知模型输出结果送入态势地图，构建动态风险场，风险值与障碍物距离、相对速度、气象、地面人口密度耦合，作为后续路径规划代价函数。

3.3 感知失效检测与降级策略

机载 AI 感知模块内置自校验单元，持续评估传感器健康度、模型输出一致性。当激光雷达被雨水遮挡、相机镜头起雾，模型自动识别感知性能下降，触发感知降级：缩小感知有效范围，提升安全距离，降低飞行速度，优先寻找就近安全迫降点。感知失效检测独立于目标检测网络，避免感知模型自身失效而无法自检。

第四章 动态路径重规划技术

4.1 分层规划框架

低空路径规划分为全局静态规划与局部实时重规划。全局规划在起飞阶段基于空域地图、禁飞区、起降点、任务目标生成参考航迹；在飞行途中，当感知发现突发障碍、气象突变、其他航空器侵入、空域临时管制，启动局部路径重规划。全局规划追求航程、能耗最优；局部重规划以安全间隔优先，兼顾航迹平滑性，满足飞行器动力学约束，不能输出无法执行的剧烈机动轨迹。

传统 A*、RRT、MPC 等算法适合结构化场景，但在大量动态障碍物、不确定预测下，容易陷入局部最优。大模型自主智能体负责高层策略推理，例如判断 “前方鸟类集群，应当向上绕行还是减速等待”，再将策略转化为约束条件，交给数值优化规划器生成可执行航迹，实现 “大模型做决策，传统优化器生成轨迹” 的混合架构，兼顾泛化能力、实时性与动力学可行性。

4.2 动态风险场与冲突解算

构建四维时空风险场，每个三维网格附带时间维度风险代价。风险场融合障碍物预测轨迹、风场、噪声约束、地面风险、禁飞规则。重规划目标函数综合安全代价、能耗、任务时效，设置硬约束：最小安全分离距离、最大俯仰角、速度边界、空域边界，硬约束由安全兜底层校验，规划器输出任何违反硬约束的航迹都会被直接拦截。

多机协同场景下，机载智能体之间可以进行态势广播，实现协同冲突消解；对于非合作飞行器，依靠机载感知独立预测，采用保守间隔策略。

4.3 重规划时延与实时性工程约束

城市低空动态障碍场景下，局部重规划需要在数十毫秒内完成。大模型高层推理如果耗时过长，会影响闭环响应速度。工程方案是：大模型只处理需要语义理解的复杂新场景；常规避障交给轻量化规划器；大模型异步推演备选策略，不阻塞控制回路。系统设置最大重规划超时阈值，一旦规划超时，直接执行预设安全动作，例如减速悬停，防止规划卡死。

第五章 机载故障自主处置

5.1 低空飞行器故障特征

低空飞行器故障包含传感器故障、通信链路失效、动力系统降级、舵面 / 旋翼失效、电池性能衰减、定位丢失等。高空民航依靠地面管制远程干预；低空自主飞行器通信不稳定，必须具备机载自主故障诊断、风险评估、处置决策能力，在无地面干预条件下完成降级、避障、就近安全迫降。故障属于罕见事件，实飞采集故障样本数量极少，单纯依靠监督学习难以覆盖，需要仿真平台大规模注入故障样本，训练故障智能体。

5.2 故障诊断 AI 模型

机载故障诊断单元融合飞行器遥测时序数据，采用时序大模型与异常检测网络，识别故障类型、严重等级、剩余可用飞行时间。模型输出故障置信度，区分瞬时噪声与真实硬件失效。故障分级：轻度降级（单传感器精度下降，继续任务并监控）；中度故障（动力小幅衰减，降低飞行速度，寻找备选着陆点）；严重故障（多旋翼失效、定位丢失，紧急迫降，选择地面人员稀少区域）。

故障智能体接收故障诊断结果，结合当前空域态势、环境地图，由大模型完成处置策略推理，生成处置预案。例如电池容量快速衰减，智能体评估剩余航程，放弃原目的地，选择最近合法着陆点，重新规划迫降航迹。

5.3 故障处置的安全约束

故障处置动作必须预设安全边界，AI 生成的迫降方案需要独立校验：着陆区域地面风险、距离建筑 / 人群距离、飞行器剩余动力是否足够到达目标点。校验不通过，则重新搜索备选区域；无可用着陆点时执行受控坠落策略，优先降低地面人员伤害风险。故障处置模块优先级高于常规任务规划，一旦触发严重故障，直接中断原有任务，进入应急处置闭环。

第六章 大规模数字孪生空域仿真平台与海量航班压力测试

6.1 平台定位

数字孪生空域仿真平台是机载 AI 模型的数字试验场，核心目标是：构建高保真城市低空数字空域，对单机自主智能体、多机空域交互、空管系统进行批量、可重复、安全的仿真验证，完成海量航班并发压力测试，生成极端边界场景，弥补真实试飞成本高、危险场景无法实测、样本不足的短板。平台实现物理空域到数字空间的实时映射，支持仿真与实飞数据双向回流，持续迭代模型。

6.2 平台分层架构

1. 场景建模底座：高精度三维城市模型、建筑、地形、禁飞区、起降点；气象场（风切变、湍流、雨雾）、电磁传播模型；地面人口、基础设施风险图层。所有要素具备时空动态属性，不是静态地图。

2. 异构飞行器数字孪生体库：包含不同构型无人机、eVTOL 动力学模型、传感器模型、故障注入接口，每一台虚拟飞行器挂载机载自主智能体实例，可独立运行感知、规划、故障处置闭环。

3. 多智能体仿真引擎：高并发并行仿真内核，支持数千至万级航空器同时在数字空域运行，支持随机生成航班流，模拟早高峰、高密度走廊、突发大量起飞等压力工况。

4. 数字空管模块：空域规则引擎、冲突检测、交通调度、临时空域管制下发，可模拟自动化空管与机载智能体交互。

5. 测试与评估模块：自动场景生成、故障注入、对抗扰动、指标采集、日志回放、可视化、自动报告生成。支持批量压力测试，自动统计冲突事件、安全间隔违规、AI 决策失效、故障处置成功率等量化指标。

6. 虚实交互网关：接收真实飞行器遥测数据，映射进孪生空间；将仿真场景下发给机载硬件在环测试台，支持硬件在环（HIL）仿真。

6.3 海量航班压力测试设计

压力测试目标是暴露系统在高密度交通下的涌现风险，这类风险在少量试飞中很难发现。测试流程：

1. 构建基准空域交通流，设置不同流量密度，从低流量逐步提升至空域容量极限；

2. 批量注入扰动事件：突发障碍物、随机通信中断、传感器失效、动力故障、临时空域关闭；

3. 全流程记录每架航空器 AI 决策、航迹、安全间隔、故障处置动作；

4. 自动识别冲突、安全违规、级联失效案例，提取高风险场景，回灌训练集，迭代优化机载大模型与智能体策略。

压力测试指标集：空域容量、冲突次数、最小安全间隔违规率、故障处置成功率、AI 决策时延、任务完成率、地面风险指数。平台支持蒙特卡洛批量试验，在数十万次仿真运行中统计失效概率，用于安全定量评估。

6.4 场景库构建与边界案例生成

除常规飞行场景外，平台自动挖掘边界场景：极端气象、多机同时故障、感知被欺骗、突发大量闯入目标，生成 “长尾风险场景库”。长尾场景是 AI 最容易失效的场景，也是适航评估重点。仿真平台可以生成实飞难以复现的危险工况，在数字空间反复验证，降低真实试飞安全风险。

第七章 机载 AI 可解释性与安全兜底机制

7.1 机载 AI 可信性核心矛盾

传统航空软件依靠确定性代码，每一步逻辑可追溯；大模型属于概率模型，输出存在随机性，决策过程隐于参数之中，即 “黑箱问题”。监管方、适航审查、运营方无法理解飞行器在紧急状态下为何做出某一决策，一旦事故发生，难以定位根因，这是自主飞行商业化落地最大障碍。因此，机载 AI 不能只追求高任务成功率，必须建立可解释、可审计、可追溯、可兜底的可信体系。

7.2 机载 AI 可解释性工程实现路径

本报告提出面向安全关键机载场景的可解释 AI 方案，分为三层：

1. 决策日志层：所有 AI 推理步骤结构化记录，保存输入态势、模型推理中间结果、风险评估、约束条件、备选方案、最终决策，日志不可篡改，支持事后审计。不只是记录输出航迹，而是记录 “为什么选择该航迹，为什么拒绝备选方案，识别到哪些风险”。

2. 内在可约束推理：大模型输出强制结构化，决策理由、风险评估、置信度同步输出。模型被训练生成自然语言解释，解释内容和动作绑定；安全监控层同时校验解释是否与实际动作一致，防止动作与推理理由矛盾。

3. 事后因果解释工具：仿真平台内置归因工具，在事故 / 危险事件回放时，自动定位导致 AI 决策的关键输入特征，例如是因为障碍物预测轨迹、还是电池故障触发的动作，量化各因素贡献度。

需要区分：可解释不等于把神经网络参数全部打开；航空工程视角下的可解释是决策逻辑可审计、因果可追溯、约束可核验，满足适航审查取证需求。

7.3 独立安全兜底机制（安全监控层）

安全兜底层是和 AI 决策系统并行、独立运行的实时安全防护系统，硬件、操作系统、软件逻辑独立，不依赖大模型，不依赖感知模型输出，采用确定性规则 + 形式化验证逻辑。其功能：

1. 持续监控飞行器状态、相对距离、速度、空域边界；

2. 硬约束校验：最小安全距离、最大速度、最大机动角、禁飞区侵入判定；

3. 当 AI 决策输出违反硬约束，或 AI 模块超时、卡死、输出异常，兜底系统直接接管，执行预设安全动作：减速、悬停、返航、就近迫降；

4. 兜底系统本身做形式化验证，证明在规定输入下行为确定，不存在 AI 幻觉问题。

体系原则：AI 负责优化和复杂场景推理；兜底层负责守住安全底线。AI 可以犯错，但兜底层必须阻止危险动作落地。兜底系统降级策略独立设计，即使机载 AI 完全失效，兜底仍然可用。

7.4 人机协同与接管权限设计

在载人低空飞行器场景，保留飞行员远程 / 本地接管通道。系统持续输出态势与 AI 决策解释，人类可监督；当系统判定风险超出 AI 能力边界，主动请求人工接管；人工接管优先级高于机载 AI 与兜底策略。同时定义接管时延、切换安全区，避免切换瞬间产生失控风险。

第八章 机载 AI 模型验证标准与可信评估框架

8.1 传统软件验证不适用于 AI 模型

传统航空软件 DO-178 等标准面向确定性程序；AI 模型，尤其是大模型，属于数据驱动模型，行为在大量未见场景下存在不确定性。因此不能直接照搬传统软件验证思路，需要建立一套兼顾统计性能、边界鲁棒性、可解释性、故障下行为的模型验证体系。验证分为离线验证、仿真验证、硬件在环验证、有限实飞验证，由数字孪生平台承担绝大部分测试负载。

8.2 多维度验证指标体系

1. 功能指标：目标检测准确率、障碍物轨迹预测误差、路径规划成功率、故障诊断准确率、任务完成率。

2. 鲁棒性指标：噪声、传感器退化、恶劣天气、对抗扰动下性能衰减幅度；长尾边界场景下失效概率。

3. 可解释性指标：决策理由一致性、审计日志完整性、归因准确率。

4. 安全指标：安全间隔违规概率、故障处置成功率、兜底触发响应时延、危险动作拦截率。

5. 时间性能指标：感知融合时延、大模型推理时延、重规划时延、安全兜底响应时延。

所有指标量化，建立阈值，模型只有全部满足阈值，才能进入下一阶段验证。

8.3 验证流程与取证方法

1. 离线数据集测试：标注数据集，包含常规场景、边界故障场景，评估模型基础性能；

2. 数字孪生仿真大规模测试：蒙特卡洛仿真，海量随机场景与故障注入，统计失效概率；

3. 硬件在环 HIL 测试：机载硬件接入仿真平台，真实机载算力、传感器接口闭环，验证端侧部署后的实时性能；

4. 受控空域有限实飞：选择低风险空域，逐步提升场景复杂度，实飞采集真实数据回流仿真平台，迭代模型；

5. 持续监控：投入运营后持续记录飞行事件，进行持续适航监控，模型更新必须重新通过仿真验证，不允许空中无验证更新。

8.4 模型版本管控与更新约束

机载大模型不支持热更新。任何模型微调、版本变更，都必须在数字孪生平台重新跑完整测试集，验证安全指标不退化；更新包经过完整性校验，仅在地面停机状态下部署，空中禁止模型替换。建立模型基线，每次版本对比，检测性能回退，防止微调提升部分场景性能，但在长尾场景安全性能下降。

第九章 工程化落地挑战、风险与分阶段实施路线

9.1 当前核心工程挑战

第一，机载算力与模型性能矛盾。多模态大模型推理开销大，机载边缘算力有限；模型轻量化会带来性能损失，需要在推理速度、精度、功耗之间权衡。
第二，长尾场景覆盖不足。真实世界罕见危险场景难以收集，仅靠实飞无法充分评估，依赖数字孪生场景生成能力。
第三，适航监管体系正在建设。国内针对机载 AI、机器学习模型的适航标准仍在完善，缺乏成熟认证路径，取证成本高。
第四，通信、定位、传感器在城市峡谷环境可靠性不足，感知不确定性持续存在。
第五，多机协同下涌现行为难以预测，高密度空域存在级联冲突风险。

9.2 风险清单与风险缓释

• AI 幻觉风险：通过结构化输出、独立安全兜底、置信度评估、拒绝不安全动作缓释；

• 感知欺骗、对抗样本：仿真平台注入对抗扰动测试，训练模型鲁棒性；

• 模型漂移：运营数据持续回流，定期评估性能，版本管控；

• 仿真与现实差距（sim-to-real gap）：使用实飞数据校准孪生模型，缩小仿真偏差；

• 系统级级联失效：压力测试挖掘涌现风险，在数字空间提前修复。

9.3 分阶段工程实施路线

阶段一（实验室与仿真验证阶段）：搭建数字孪生空域仿真平台，完成单机 AI 感知、路径重规划、故障处置模块开发；开展单机仿真测试，建立基础场景库；完成安全兜底原型，验证 AI 和兜底解耦架构。目标：仿真环境下单机自主闭环稳定运行，基础边界场景覆盖。

阶段二（硬件在环 + 隔离空域试验）：模型部署机载硬件，HIL 闭环测试；在隔离低空试验空域开展有限实飞，采集真实环境数据，校准仿真平台；开展少量多机协同仿真，初步压力测试。目标：验证端侧工程可行性，完成基础故障处置实飞验证。

阶段三（试点空域小规模运营验证）：在划定试点空域，小批量航空器组网运行；数字孪生平台持续后台推演，并行监控真实空域；开展中等流量多机压力仿真；完成 AI 可解释审计体系落地，形成安全评估报告。目标：验证多机交互能力，收集长尾事件，形成适航取证材料。

阶段四（规模化商业化准备）：完善万级航班并发仿真能力，建立完整持续适航监控体系；形成标准化模型验证流程，对接监管，支撑规模化低空自主飞行器运营。

第十章 结论与展望

本报告系统研究 AI 大模型与自主智能体在低空自主飞行系统的工程化落地，构建 “机载智能体 + 数字孪生空管仿真 + 独立安全兜底” 一体化体系。研究表明，将大模型作为高层认知单元，不直接接管底层控制，搭配传统优化规划器、独立安全监控层，是平衡自主能力与安全可信的可行工程方案。多模态 AI 感知融合、带不确定性估计的动态风险场路径重规划、分级故障自主处置，能够显著提升飞行器在城市复杂低空环境的适应能力。大规模数字孪生空域仿真平台，是解决海量航班压力测试、长尾边界场景验证、模型安全评估的核心基础设施，大幅降低真实试飞风险与成本。

机载 AI 可信性不能单纯依靠模型精度提升，必须从可解释审计、独立安全兜底、全链路量化验证、版本管控多个维度构建体系。当前技术路线仍然面临 sim-to-real 鸿沟、机载算力约束、适航标准不健全、长尾场景覆盖不足等挑战，需要采用仿真先行、由简到繁、小步迭代的工程策略。

未来研究方向包括：数字孪生仿真与真实空域实时双向闭环；因果可解释机载大模型；多智能体集群协同冲突消解；持续适航的在线监测体系；面向低空 AI 的标准化验证基准集。随着技术持续迭代与监管体系完善，基于大模型自主智能体的低空自主飞行系统将支撑低空经济安全规模化发展。

数据来源

1. 中国民用航空局《无人驾驶航空器飞行管理暂行条例》

2. 《航空学报》大型基础模型赋能无人飞行器智能化相关研究文献

3. 《华南理工大学学报 (自然科学版)》低空交通系统数实孪生架构与关键技术综述

4. arXiv 公开文献：LLM-Centric Agentic AI for UAV Swarms、UAVs Meet LLMs: Overviews and Perspectives Toward Agentic Low-Altitude Mobility、RflyUT-Sim 低空交通仿真平台相关论文

5. 英国 Alan Turing Institute Bluebird 低空空管多智能体项目公开技术资料

6. 中科星图低空数字孪生平台公开产品白皮书

7. 国内外 UAM/eVTOL 安全与可信 AI 相关学术论文、行业研究报告

8. 巴克豪斯智能科技（苏州）有限公司、巴克豪斯低空经济研究院内部仿真实验数据集与原型测试日志

免责声明

本报告由巴克豪斯智能科技（苏州）有限公司、巴克豪斯低空经济研究院撰写，报告内容仅为技术研究与学术探讨，不构成任何产品承诺、适航认证结论、商业落地保证或监管合规承诺。报告引用第三方文献、公开资料仅用于研究参考，不代表作者对第三方资料准确性的担保。报告中的仿真实验数据、指标结论基于当前原型系统与仿真环境，真实场景性能受硬件、空域环境、气象、通信、管制规则等多重因素影响，实际工程结果可能存在差异。本报告不用于替代适航审查、安全评估、飞行许可等法定程序。任何基于本报告开展工程开发、试飞运营等行为产生的风险，均由实施方自行承担。未经书面许可，不得擅自修改本报告内容；引用转载请注明来源。