一、

低空研究背景二、

低空數(shù)據(jù)平臺三、

低空感知大腦四、

低空典型應(yīng)用CONTENTS一、

低空研究背景二、

低空數(shù)據(jù)平臺三、

低空感知大腦四、

低空典型應(yīng)用CONTENTS2025年10月

，

黨的二十屆四中全會頒布《中共中央關(guān)于制定國民經(jīng)濟(jì)和社會發(fā)展第十五個(gè)五年規(guī)劃的建議》

，其中明確指出

“打造新興支柱產(chǎn)業(yè)

，

加快低空經(jīng)濟(jì)等戰(zhàn)略性新興產(chǎn)業(yè)集群發(fā)展

，

催生數(shù)個(gè)萬億元級甚至更大規(guī)模的市場”。安防巡檢現(xiàn)有巡檢市場缺口巨大安防巡檢應(yīng)用市場規(guī)模超過500億元水情監(jiān)測2021年河南遭遇特大暴雨低空智能深化賦能經(jīng)濟(jì)轉(zhuǎn)型

低空經(jīng)濟(jì)產(chǎn)業(yè)已成為國家新興支柱產(chǎn)業(yè)

，

市場需求呈現(xiàn)井噴式增長《中共中央關(guān)于制定國民經(jīng)濟(jì)和社會發(fā)展第十五個(gè)五年規(guī)劃的建議》應(yīng)急搜救2022年四川瀘定6.8級地震受災(zāi)1478萬人

，

經(jīng)濟(jì)損失1200億元死亡失蹤117人

，

經(jīng)濟(jì)損失154億元復(fù)雜環(huán)境下

，低空智能感知面臨“看不清”

，“看不準(zhǔn)”和“看不全”的挑戰(zhàn)“看不全”“看不清”“看不準(zhǔn)”單機(jī)視角有限且存在遮擋

，無法捕捉目標(biāo)在所有角度下的的特征雨雪霧惡劣天氣和低光照環(huán)境降低了無人機(jī)對目標(biāo)的感知清晰度無人機(jī)高速飛行

，場景動(dòng)態(tài)變化，降低了感知準(zhǔn)確度語義稀密從下往上

，第三排中靠畫面最左側(cè)的紅色汽車這個(gè)路口中存在的違章行為與異?，F(xiàn)象低空視野廣實(shí)例密。

在稀疏文本約束下

，從細(xì)粒度視覺中辨析細(xì)節(jié)

，

需要精細(xì)邏輯進(jìn)行推理。復(fù)雜環(huán)境下

，低空推理決策面臨語義稀密、空間難解與任務(wù)繁復(fù)的挑戰(zhàn)感知目標(biāo)檢測、目標(biāo)計(jì)數(shù)、

場景分類、

異常識別理解圖像描述、

條件判斷、

視覺定位、

高度預(yù)測推理物理推理、

因果推理、

情景推斷、

反事實(shí)推理決策多機(jī)協(xié)同、

任務(wù)規(guī)劃、

動(dòng)作執(zhí)行、

安全性評估任務(wù)高度多樣化

，在輸出結(jié)構(gòu)、

知識深度與推理路徑上差異巨大

，

需要跨層次泛化推理能力。低空強(qiáng)投影與三維信息缺失

，

需要理解姿態(tài)與視角差異

，從二維觀測中構(gòu)建空間推理能力。這里是什么場景？

變電設(shè)施間距多少？存在安全隱患嗎？

斜拍視角進(jìn)行位置判斷與空間度量任務(wù)間推理路徑差異化俯拍視角進(jìn)行目標(biāo)感知與屬性理解四維度多種任務(wù)形式空間難解任務(wù)繁復(fù)復(fù)雜環(huán)境下

，低空具身智能面臨“不可靠”

，“不精準(zhǔn)”和“不可控”的挑戰(zhàn)“

目標(biāo)理解不可靠”“動(dòng)作生成不精準(zhǔn)”“體系安全不可控”行動(dòng)路徑撞上障礙物動(dòng)作生成誤差導(dǎo)致機(jī)械臂需要執(zhí)行冗余動(dòng)作才能完成任務(wù)語言指令與場景理解不穩(wěn)定

，任務(wù)目標(biāo)識別易偏差端到端決策難以解釋

，對突發(fā)場景響應(yīng)不足

，系統(tǒng)級可靠性難以保障動(dòng)作生成誤差導(dǎo)致無人機(jī)機(jī)械臂操作效率低下無人機(jī)并未導(dǎo)航至目標(biāo)點(diǎn)就提前停止復(fù)雜環(huán)境下

，低空群體智能面臨數(shù)據(jù)缺、

自主差、協(xié)同難的挑戰(zhàn)、協(xié)作具身

感知推理群體執(zhí)行協(xié)調(diào)不穩(wěn)定多機(jī)具身協(xié)同難

，導(dǎo)致群體具身智能感策控實(shí)現(xiàn)難性能進(jìn)化難災(zāi)難性遺忘協(xié)同自主進(jìn)化機(jī)制匱乏

，導(dǎo)致感知與持續(xù)學(xué)習(xí)能力雙重受限多機(jī)協(xié)同感知數(shù)據(jù)協(xié)同感知與具身基礎(chǔ)數(shù)據(jù)匱乏

，導(dǎo)致基座構(gòu)建受限“

自主差”“協(xié)同難”“數(shù)據(jù)缺”感知大模型

ZZ

"面

F含一場景理解物體理解感知評估協(xié)作決策多機(jī)協(xié)同具身感知與推理數(shù)據(jù)缺乏性

。模型1

a

模型2能群體協(xié)同規(guī)劃沖突群體感知不一致

協(xié)同一、

低空研究背景二、

低空數(shù)據(jù)平臺三、

低空感知大腦四、

低空城市治理CONTENTS

統(tǒng)計(jì)機(jī)器學(xué)習(xí)長期關(guān)注數(shù)據(jù)規(guī)模、

結(jié)構(gòu)及分布與模型泛化間規(guī)律前提假設(shè)和靜態(tài)度量失效

經(jīng)驗(yàn)規(guī)律重構(gòu)新范式導(dǎo)向數(shù)據(jù)樣本量稀缺需嚴(yán)格約束模型復(fù)雜度根據(jù)數(shù)據(jù)結(jié)構(gòu)選擇模型

維度問題影響模型選擇2017經(jīng)典泛化理論質(zhì)疑：Zhang,C.《

Understandingdeep

learning

requires

rethinkinggeneralization》深度學(xué)習(xí)的

“記憶隨機(jī)標(biāo)簽”實(shí)驗(yàn)

，質(zhì)疑經(jīng)典VC維解釋泛化的有效性2019雙下降現(xiàn)象與復(fù)雜度權(quán)衡曲線：Belkin,

M.《

Reconciling

modern

machine

learning

practiceandthe

bias-variancetrade-off》提出雙下降

，修正經(jīng)典U形曲線

，揭示過參數(shù)化區(qū)域新動(dòng)態(tài)1992年：維度問題與統(tǒng)計(jì)估計(jì)Geman,S.,et

al.《

Neural

networks

andthebias/variancedilemma》系統(tǒng)闡述非線性模型的偏差-方差權(quán)衡與數(shù)據(jù)

維度挑戰(zhàn)1995年：數(shù)據(jù)模型經(jīng)典范式Vapnik,V.《The

NatureofStatistical

LearningTheory》提出結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則

，建立數(shù)據(jù)量決定可

安全使用的模型復(fù)雜度經(jīng)典范式1971年：VC維Vapnik,V.&Chervonenkis,A.《Onthe

uniformconvergenceofeventstotheir

probabilities》relativefrequencies提出VC維

，連接模型容量與數(shù)據(jù)樣本量1961年：維度詛咒Bellman,

R.《AdaptiveControl

Processes:A

GuidedTour》提出維度詛咒

，揭示高維空間數(shù)據(jù)挑戰(zhàn)2010數(shù)據(jù)分布局限：Ben-David,S.《Atheory

oflearningfromdifferentdomains》突破IID假設(shè)的局限

，將

“數(shù)

據(jù)分布特性”納入核心分析

框架2019從數(shù)據(jù)分布學(xué)習(xí)不變性：Arjovsky,

M.,etal.《Invariant

Risk

Minimization》提出不變風(fēng)險(xiǎn)最小化

，學(xué)習(xí)不變特征2022年“數(shù)據(jù)需求”2023-2024年“能力涌現(xiàn)”充分訓(xùn)練數(shù)據(jù)-參數(shù)平衡的數(shù)據(jù)

，

是驅(qū)動(dòng)大模型能力進(jìn)階的虛實(shí)數(shù)據(jù)增效世界模型遷移非線性躍遷數(shù)據(jù)質(zhì)量至上2020年“歸納總結(jié)”發(fā)現(xiàn)冪律參數(shù)主導(dǎo)大模型時(shí)代技術(shù)迭代也對訓(xùn)練數(shù)據(jù)的樣本規(guī)模與質(zhì)量提出更高標(biāo)準(zhǔn)2025年“具身數(shù)據(jù)受限”2023年至今多源協(xié)同感知

數(shù)據(jù)集UAVDT

VisDrone2016年及以前小規(guī)模檢測與追蹤數(shù)據(jù)集01032017年至2020年大規(guī)模密集數(shù)據(jù)與通用檢測數(shù)據(jù)集2020年至2023年多模態(tài)動(dòng)態(tài)感知數(shù)據(jù)集VTUAV02DroneVehicle04低空環(huán)境感知數(shù)據(jù)呈現(xiàn)出多任務(wù)、

多模態(tài)和多源協(xié)同特性以VisDrone數(shù)據(jù)集為代表

，低空環(huán)境感知數(shù)據(jù)面臨簡單靜態(tài)到動(dòng)態(tài)復(fù)雜的演進(jìn)。AG-ReIDUAV-123現(xiàn)實(shí)空間推理基于多源信息構(gòu)建物理度量，在真實(shí)環(huán)境中進(jìn)行空間推理。2024.10AirCopBench

Spatial

Sky仿真感知推理虛擬城市中對物體屬性

，

空間關(guān)系進(jìn)行推理判斷。2025.032025.05以Spatial

Sky為代表的低空“感知-推理-決策”一體化數(shù)據(jù)CityEQA現(xiàn)實(shí)推理決策覆蓋多源傳感器信息

，

引入物理約束

，進(jìn)行動(dòng)力學(xué)推理、多機(jī)協(xié)同、

安全決策等任務(wù)UAVBench仿真推理決策因果/關(guān)聯(lián)/反事實(shí)推理；路線規(guī)劃與動(dòng)作輸出；仿真?現(xiàn)實(shí)泛化測試仿真感知推理無人機(jī)第一視角場景理解

，對話問答

，

以及任務(wù)規(guī)劃。仿真空間推理在多個(gè)視角轉(zhuǎn)換設(shè)定下

，進(jìn)行定量空間推理。Open3D-UAVEmbodiedCity多源推理決策引入多視角協(xié)同推理，加入多源評估與協(xié)作決策。UrbanVideo2025.112025.02!2022.052023.082024.062024.102025.022025.022025.05以AerialVLN為起點(diǎn)的低空具身智能相關(guān)數(shù)據(jù)集正持續(xù)豐富與完善CityNav

真實(shí)點(diǎn)云+地標(biāo)+32637條指令A(yù)VDN引入

“

指揮官

-機(jī)手”對話

，提供3k對話軌跡與注意力熱圖

，模擬飛行中語言澄清

UrbanVideo-Bench匯集兩座真實(shí)城市視頻+Aerial

VLN環(huán)境

，共1.

5k視頻與5.2k多選問答OpenFly18座城市場景

，

10萬條軌跡指令，是當(dāng)前最大真實(shí)感VLN語料Travel

UAV發(fā)布12k條6-DoF軌跡

，用于研究語言輔助規(guī)劃與控制協(xié)同VLD首個(gè)面向

無人機(jī)終端投遞場景的視覺語言導(dǎo)航數(shù)據(jù)集AerialVLNAirSim+Unreal渲染25座城市

，

8k人類指令軌跡對

正加速推動(dòng)群體智能以MDOT為代表的單一視覺感知出發(fā)

，群體智能正實(shí)現(xiàn)向復(fù)雜具身推理的跨越2019.082020.112020.112022.112024.052024.062025.11CoPerception-UAV多機(jī)高效通信協(xié)同感知數(shù)據(jù)集U2UData面向大規(guī)模無人機(jī)集群自主飛行的數(shù)據(jù)集AeroCollab3D多無人機(jī)協(xié)同3D目標(biāo)檢測AircoBench多無人機(jī)具身協(xié)同推理數(shù)據(jù)VRAI首批跨無人機(jī)重識別數(shù)據(jù)集MDMT首批多機(jī)多目標(biāo)跟蹤數(shù)據(jù)集首批多機(jī)單目標(biāo)跟蹤數(shù)據(jù)集MDOT

感知大模型zZ"面邊端協(xié)同

·性

能模型1模型2類增量：

持續(xù)學(xué)習(xí)進(jìn)化前

進(jìn)化后性能進(jìn)化：

1

+1

>2面向10萬+機(jī)場的海量巡飛數(shù)據(jù)

，如何構(gòu)建低空模型基座并自主進(jìn)化產(chǎn)出價(jià)值：?

持續(xù)學(xué)習(xí)?

模型進(jìn)化核心動(dòng)作：?

廣域知識學(xué)習(xí)

?

基礎(chǔ)能力構(gòu)建核心動(dòng)作：?

大小模型協(xié)同

?

能力持續(xù)進(jìn)化關(guān)鍵特征：?

多模態(tài)?

非結(jié)構(gòu)化海量低空數(shù)據(jù)

性能進(jìn)化

協(xié)同進(jìn)化邊端協(xié)同邊端小模型感知大模型版本迭代云端賦能

迭代進(jìn)化

類增量關(guān)鍵目標(biāo)理解特征融合壓縮

場景解析軌跡規(guī)劃與優(yōu)化最優(yōu)軌跡生成動(dòng)態(tài)跟蹤控制代價(jià)加權(quán)板載指令執(zhí)行多項(xiàng)式軌跡低空智能從環(huán)境感知、推理決策到控制執(zhí)行各階段割裂

，亟需端到端學(xué)習(xí)范式往前向一點(diǎn)鐘方向走。經(jīng)過馬路以及灰白色的建筑后

，

目的地就在你進(jìn)入新街道前的一叢灌木。大語言模型語言編碼器感知理解動(dòng)作執(zhí)行你快到了。

目的地就在你右方我離目的地近了嗎？

[act][que]LLM預(yù)測頭

進(jìn)程Δh

圖像編碼器語言輸出我離目的地近了嗎？多模態(tài)大模型動(dòng)作解碼器場景理解語義飛行控制執(zhí)行●Δx,Δy具身推理對話歷史任務(wù)能力提升動(dòng)作指令輸出虛擬場景預(yù)測少量真實(shí)數(shù)據(jù)、

任務(wù)反饋動(dòng)作指令生成：

Action

=F(wt

(E(x),

o(gps,imu)))策略函數(shù)感知編碼世界模型進(jìn)化：wt+1

=U(wt,

Dreal,

Dvirtual,

Feedbacktask)更新算法真實(shí)、

虛擬數(shù)據(jù)任務(wù)反饋maximize

Eτ

[Reward(τ)]任務(wù)約束優(yōu)化：DKL(DvirtualⅡDreal)≤E

具身任務(wù)收益

虛實(shí)一致性約束低空智能場景中真實(shí)數(shù)據(jù)采集難度大、成本高

，高質(zhì)量帶精確標(biāo)注真實(shí)數(shù)據(jù)稀缺可進(jìn)化世界

模型無人機(jī)智能體VLN、

VLA

面向低空需求

，構(gòu)建大規(guī)模低空視覺感知開放數(shù)據(jù)平臺VisDrone開源社區(qū)Star數(shù)量圖像/視頻幀論文引用量多任務(wù)感知多模態(tài)感知人群計(jì)數(shù)物體追蹤多機(jī)感知目標(biāo)檢測模型流水工廠數(shù)據(jù)百城共建通過數(shù)據(jù)、模型、場景的三維融合展示

，為政府、企業(yè)、公眾提供低空領(lǐng)域的一站式資源入口

，構(gòu)建百城空域的數(shù)據(jù)算法基石

，讓低空經(jīng)濟(jì)"看得見"、

"管得好"。智能化升級

，效率倍增長通過AI技術(shù)賦能

，

實(shí)現(xiàn)城市巡檢從傳統(tǒng)人工模式向智能化、

標(biāo)準(zhǔn)化、

規(guī)?；目缭绞缴壞Ｐ唾x能數(shù)據(jù)驅(qū)動(dòng)場景適配平臺優(yōu)勢數(shù)據(jù)收集時(shí)間場景適配時(shí)間模型訓(xùn)練時(shí)間算法部署效率前期數(shù)據(jù)、場景、模型上耗費(fèi)時(shí)間顯著降低后期算法的效率和準(zhǔn)確度顯著提升場景配套落地后期前期150%40%70%50%一、

低空研究背景二、

低空數(shù)據(jù)平臺三、

低空感知大腦四、

低空典型應(yīng)用CONTENTS城市治理多傳感器協(xié)同學(xué)習(xí)多任務(wù)協(xié)同學(xué)習(xí)多機(jī)協(xié)同學(xué)習(xí)

低空環(huán)境智能感知理論與方法科學(xué)問題研究挑戰(zhàn)關(guān)鍵難題技術(shù)創(chuàng)新核心貢獻(xiàn)成果應(yīng)用“看不準(zhǔn)”“看不全”“看不清”低空感知模型進(jìn)化難多機(jī)跨視角感知難復(fù)雜環(huán)境全天候觀測難應(yīng)急搜救安防巡檢防汛監(jiān)測n

模態(tài)協(xié)同性（多模態(tài)信息增益）：

亞mod

az=I(Y;X(i),X(j))-I(Y;X(i))-I(Y;X(j))n

任務(wù)協(xié)同性（共享表示互利）：

亞task=I(Y;T,T)-I(Y;T)-I(Y;T)n

模型協(xié)同性（集成互補(bǔ)性）：

巫mode

t=I(y;fu,f,)-I(y;fu)-I(y;f)三者協(xié)同的貝葉斯誤差：

p

joint≤1-earp(-H(y?x(1-),T.x,f:z))

：

越：

維，互失體損整度小多強(qiáng)差補(bǔ)越方互性協(xié)同補(bǔ)的協(xié)的學(xué)重差同權(quán)誤協(xié)其高低制差降抑誤體會體個(gè)習(xí)個(gè)

協(xié)同性是群體協(xié)同的前提

，低空協(xié)同學(xué)習(xí)能夠降低貝葉斯誤差

低空協(xié)同學(xué)習(xí)多維度群體協(xié)同降低了貝葉斯誤差n

多維度與單維度的貝葉斯誤差對比：n

低空場景復(fù)雜退化多模態(tài)數(shù)據(jù)嚴(yán)重制約感知效能

，

導(dǎo)致“看不清”風(fēng)沙清晰目標(biāo)清晰目標(biāo)表觀弱清晰目標(biāo)清晰目標(biāo)表觀弱惡劣天氣和光照條件變化動(dòng)態(tài)增強(qiáng)低質(zhì)量圖像

低空多傳感器協(xié)同學(xué)習(xí)如何動(dòng)態(tài)挖掘多模態(tài)有效性？如何動(dòng)態(tài)復(fù)原多種噪聲類型？挑戰(zhàn)看不清多霧夜間構(gòu)建了復(fù)雜退化自適應(yīng)建模理論與復(fù)雜多退化統(tǒng)一復(fù)原范式提出了空場景特征引導(dǎo)的多傳感器可信提示動(dòng)態(tài)魯棒感知方法感知結(jié)果多源融合圖像

低空多傳感器協(xié)同學(xué)習(xí)解決低空數(shù)據(jù)易受環(huán)境干擾難題克服場景動(dòng)態(tài)變化的困境質(zhì)量提升IJCV2024

(通訊)→

NeurIPS2025

(通訊)→TPAMI2025

(通訊)→

ICML

2025

(通訊)→

AAAI

2026(通訊)復(fù)雜多退化統(tǒng)一復(fù)原模型×

T融合條件不可信動(dòng)態(tài)權(quán)重可信魯棒感知?jiǎng)討B(tài)融合低空復(fù)雜退化、小目標(biāo)場景退化自適應(yīng)基核退化分布建模多模態(tài)數(shù)據(jù)退化機(jī)制多霧天氣高斯噪聲+夜間過暗白天過曝惡劣天氣條件下低空多模態(tài)目標(biāo)追蹤性能提高超過6%復(fù)雜退化條件下小目標(biāo)特征增強(qiáng)超過16倍

，檢測性能提升超11%復(fù)雜退化小目標(biāo)場景低空感知

低空多傳感器協(xié)同學(xué)習(xí)惡劣天氣場景低空感知IJCV2024

(通訊)→

NeurIPS2025

(通訊)→TPAMI2025

(通訊)→

ICML

2025

(通訊)→

AAAI

2026(通訊)79.588.690.216×圖像增強(qiáng)細(xì)化小目標(biāo)特征Mobileye

Ours英特爾Intel頂尖視覺感知供應(yīng)商圖像增強(qiáng)多合一自適應(yīng)復(fù)原ViPT

Ours[CVPR2023]計(jì)算機(jī)視覺頂會低空多種復(fù)雜退化小目標(biāo)感知84.1提高6.1%提高1.4%小目標(biāo)檢測APPR1

低空感知場景復(fù)雜多變

，

任務(wù)種類繁雜

，模型難泛化

，

“看不準(zhǔn)”場景復(fù)雜多變&任務(wù)種類繁雜低空視覺感知模型自主進(jìn)化難煙

火

水車

低空多任務(wù)協(xié)同學(xué)習(xí)挑戰(zhàn)如何實(shí)現(xiàn)復(fù)雜任務(wù)場景自主進(jìn)化？如何實(shí)現(xiàn)多種實(shí)景種類自主進(jìn)化？山地洪水冰面

工地目標(biāo)場景需求原場景需求單一場景復(fù)雜場景百景難括眾需一模難應(yīng)百景人

房湖泊土井構(gòu)建覆蓋超廣域場景

，

高復(fù)雜任務(wù)的千萬級低空視覺開放數(shù)據(jù)平臺VisDrone

低空多任務(wù)協(xié)同學(xué)習(xí)開源社區(qū)Star數(shù)量圖像/視頻幀論文引用量多任務(wù)感知多模態(tài)感知人群計(jì)數(shù)物體追蹤多機(jī)感知目標(biāo)檢測構(gòu)建面向低空視角的視覺感知基礎(chǔ)模型DroneNet研發(fā)基于組件功能驅(qū)動(dòng)的高效模型適配框架高效適配器

感知多任務(wù)適配器融合CVPR2024

(一作)→

NeurIPS2024

(通訊)→TIP2025

(通訊)

→

ICLR

2025

(通訊)

→AAAI

2026

(通訊)

低空多任務(wù)協(xié)同學(xué)習(xí)組件功能分析...

亂

反光衣識別

光伏板計(jì)數(shù)

危險(xiǎn)化學(xué)品

運(yùn)輸

裸土未覆蓋

電動(dòng)車頭盔

紅外光伏板

電線桿斷裂

標(biāo)記線模糊

衛(wèi)星鍋檢測

水環(huán)境監(jiān)測

松樹線蟲病

停車場空位

太陽能熱水

保護(hù)殼缺失

紅十字標(biāo)識

li

本項(xiàng)目v183.08提高25.38%57.70微軟亞洲研究院

申請人新場景新任務(wù)小時(shí)級快速適配

，

進(jìn)化后性能提升超20%

形成覆蓋百城百景的模型庫

，

服務(wù)20余家企業(yè)和單位百城百景API服務(wù)

低空多任務(wù)協(xié)同學(xué)習(xí)CVPR2024

(一作)→

NeurIPS2024

(通訊)→TIP2025

(通訊)

→

ICLR

2025

(通訊)

→AAAI

2026

(通訊)車輛計(jì)數(shù)

100

+場景22個(gè)領(lǐng)域

（CVPR

24）工程機(jī)械識別黑煙污染打架斗毆危房檢測變化檢測在建工程街面橫幅交通事故摔倒檢測街邊涂鴉路面破損河堤破損Sos標(biāo)識路面躺臥涵洞堵塞路面積水秸稈焚燒違規(guī)作業(yè)流動(dòng)商販罌粟檢測路面落石護(hù)欄破損道路結(jié)冰雪崩隱患車輛違停綠藻爆發(fā)渣土車路燈亮滅森林火災(zāi)遛狗栓繩違法垂釣道路泥沙煙火檢測翻閱圍欄山體滑坡反無人機(jī)房屋倒塌井蓋狀態(tài)工地?fù)P塵塔頭損壞河面垃圾石油泄漏橫桿腐蝕垃圾檢測交通擁堵鳥類檢測箱門關(guān)閉人員檢測路面拋灑路面塌陷消防通道電塔鳥窩氣球掛線管道泄漏鐵軌人員候鳥計(jì)數(shù)野生動(dòng)物垃圾滿溢盲道破損人群聚集鐵路損傷大麻檢測農(nóng)田異常樹木狀態(tài)應(yīng)急車道大棚破損碼頭流量捕獸夾橋梁損傷捕鳥網(wǎng)

落葉松健康

封窗廣告牌

刺槐林枯木

安全帽識別

排水口排放

泥石流檢測

.

.

.多機(jī)跨視角匹配難匹配不準(zhǔn)多機(jī)跨視角差異大

，