无人机整机
无人机配件
无人机服务
设备与工具编者按·低慢小探测专刊
受物理边界与复杂环境的多重制约，在低慢小目标的探测上，单一传感器已经很难独挑大梁。因此，多模态信息融合也从一道“可选题”变成了“必选项”。2026年5月，《信号处理》期刊“低空信息感知与管控”专刊I正式刊发了由我司（成都空御科技有限公司）作为第一完成单位的综述文章。在文章中，科研团队系统梳理了雷达、光电、无线电与音频等单一探测手段的各自优势与互补条件，并沿着决策层→特征层→混合层的技术演进路线，拆解了当下的主流范式和未来大有可为的智能化探测方向。全文如下：
基于多模态信息融合的无人机探测技术综述
1 引言
近日，工业和信息化部、科学技术部、财政部、中国民用航空局印发《通用航空装备创新应用实施方案（2024—2030 年）》，提出到 2030 年，推动低空经济形成万亿级市场规模，强调加快关键核心技术突破，攻克精准定位，提升空域保持能力和可靠被监视能力。随着低空经济的快速发展，全球无人机保有量激增，这一趋势在推动物流、农业等领域创新的同时，也带来了严峻的低空安全挑战。近年来，低慢小“黑飞”无人机干扰民航事件不断增长，俄乌冲突更凸显了无人机在军事领域的威胁性。各国政府正加速完善监管体系，我国多地发布关于促进低空经济高质量发展的指导意见，明确要求建立“技防+人防”的立体管控网络，欧美则通过立法授权对威胁无人机实施硬拦截。反无人机技术发展已成为平衡低空经济发展与公共安全的关键支点，亟需突破多模态探测、智能决策等核心技术瓶颈。
随着空域管制的逐步开放，低慢小无人机应用场景的多元化发展使得其潜在威胁日益凸显，这对低慢小无人机精准探测技术提出了更高的要求。当前主流的低慢小无人机探测技术体系主要包含的四类方法：基于电磁波反射原理的雷达探测技术、基于光学成像的光电感知技术、基于通信信号的无线电侦测技术，以及基于声学特征的音频识别技术。这些技术手段各具优势，共同构成了多维度、立体化的无人机探测解决方案 。此外，随着通信感知一体化的技术深化，5G-A 能够有效支持低空无人机的实时探测、感知和监管，实现对低空空域的精确管理，保障空中安全。然而，单一的探测模式虽各具优势，但存在性能边界。雷达技术可实现全天候、远距离探测，但易受地形和干扰影响，且在识别小尺寸目标时可能存在漏报和误报；光电技术可通过提取光谱特征实现高分辨率图像的目标识别和追踪，但在对于远距离弱小运动目标容易跟丢；无线电侦测能够捕获通信信号，但难以应对静默飞行的无人机；音频识别可实现被动探测，但探测距离有限。在实际应用中，需要综合运用多种技术，以实现探测能力的互补。近年来，随着多场景应用单一模态局限性凸显及多源信息融合技术的发展，无人机的探测模式逐渐发展为多模态融合的探测技术。该技术通过结合多种探测手段，增强信息互补性和冗余性，实现多势态全域感知，能够有效克服单一手段的不足。
多模态探测信息融合技术的发展经历了从决策层融合、特征层融合到混合层融合的演进过程。决策层融合主要关注各个单一模态探测结果的综合；特征层融合则着重于在特征提取阶段对多模态数据进行整合；而混合层融合则是在不同层次上灵活运用融合策略，以获得最优的探测效果。
在深度学习算法和多传感器融合技术日益成为研究重点的背景下，高质量、多样化且具有代表性的数据集对于算法的开发、验证和性能评估具有不可或缺的重要性。因此，构建更完善的多模态无人机数据集，研发更全面的无人机多模态探测信息融合技术已经成为近年来的重要发展趋势。
本文从无人机探测领域的多模态融合角度出发，总结了多模态探测信息融合的技术原理，梳理了多模态探测信息融合技术的发展脉络，分析了当前领域相关的公开数据集，最后对当前存在的问题进行分析，提出一种解决方案，展望未来的研究方向与发展趋势。
2当前探测与融合技术概览
2.1 单一探测技术局限
针对本文所界定的低慢小民用多旋翼无人机，当前主流的单一探测技术均存在明确的性能边界。雷达技术利用电磁波反射原理对无人机进行检测和位置测量，但对小目标易漏报、误报。“低慢小”无人机多采用碳纤维、塑料等非金属机身，雷达散射截面普遍低于0.01m2，极易被地杂波、气象杂波淹没，其运动特征与低空鸟类高度重合，是漏报、误报问题的核心根源。通过分析无人机的微多普勒特征，可在无人机整体运动的多普勒信号中检测到由螺旋桨运动产生的特征从而进行分类。雷达具有远距离全天候探测能力，适用于大范围监控，是目前对空目标的主流探测手段。然而，雷达系统可能会将具有相似雷达截面的鸟类误识为无人机，这一问题在面对与鸟类雷达散射截面、运动特征高度相似的无人机时尤为突出，会直接导致探测系统虚警率大幅升高，丧失稳定探测能力。光电探测技术利用无人机材料对光波的反射和辐射特性，通过红外和可见光技术进行视觉检测，适用于高精度探测识别，机器学习和深度学习算法的引入，提升了光电探测在复杂背景下的目标识别任务的能力。然而，光电技术基于多光谱成像，受光线条件限制，适合近距离精确监控，例如随着探测距离的增加，环境背景的复杂度显著提升，无人机可能与背景融为一体而难以有效区分。无线电探测技术通过捕捉无人机的无线电信号，可以有效地捕捉2.4GHz、5.2GHz和5.8GHz频段的信号，并识别出属于无人机的特定信号。该方法在实时性和检测范围上具有优势，尤其适合在广域范围内进行监控，适用于特定场所如大型活动场地或军事设施。然而，无线电在穿透障碍物时容易产生信号衰减，且易受外部电磁的干扰。此外，无线电探测技术通常不能有效探测采用静默飞行模式的无人机，也无法识别那些未被纳入无线电侦测频谱库的无人机信号。而静默飞行、自定义跳频通信正是新型无人机常用的反探测手段，预编程自主飞行的无人机可全程关闭信号发射，直接导致无线电探测失效，形成致命探测盲区。音频探测技术通过捕捉无人机飞行过程中产生的噪声，利用声学传感器接收、采集、分析这些噪声，实现对无人机的探测和预警。音频探测在夜间或光照条件不佳的情况下仍能有效工作，但受环境噪声的干扰，影响探测准确率。例如，商业消费级无人机在城镇嘈杂环境下，其噪声难以被探测到。而新型“低慢小”消费级无人机普遍配备低噪声桨叶设计，本身声纹特征极弱，在城镇环境中其噪声会被环境本底噪声完全淹没，也容易丧失探测能力。音频技术虽成本低廉但覆盖范围有限，主要用于辅助探测。表1对比了雷达、光电、无线电和音频四种主流无人机探测技术的优缺点。
2.2 多模态融合技术发展
为了实现多源异构信息的有机结合，提升系统的总体性能和可靠性，近年来研究人员对多模态融合技术开展了大量研究，图1展示了近十年来多模态融合发文数量变化。目前，主流的多模态融合技术主要分为三个层次：决策层融合、特征层融合和混合层融合。决策层融合技术将系统对不同源输出的决策信息进行加权融合，显著提升系统的适应能力和探测效率。特征层融合时，系统侧重于多传感器获得的目标特征信息的整合。利用先进+的特征提取及模式识别技术整合来自不同源的特征信息，在识别和分类 目标时达到更高 的准确性。数据层融合时，将来自不同传感器的原始数据进行集成和精细处理。通过复杂的数据预处理与分析算法，形成更全面和可靠的探测结果。这一方法不仅要求高效的数据融合算法以确保实时性与精度，还应在处理大量数据时保持系统的鲁棒性。特征层与数据层的融合技术均会在提取不同模态信息的特征后立即进行融合，与决策层有着显著的差异，因此本文将特征层融合与数据层融合均归为特征层融合。另外，从多模态融合的发展脉络来看，无人机多模态探测信息融合技术分为三个关键发展阶段：决策层融合阶段、特征层融合阶段和混合层融合阶段。目前多模态融合技术主要在交通管控、协同制导、自动驾驶、通信等探测领域中得到广泛应用，如表2所示。
3 无人机多模态探测信息融合技术概览
3.1 决策层多源感知信息融合
决策层融合是一种多模态融合方法，它通过综合各个模态独立决策的结果来得出最终决策。这一过程可以通过预定义的数学公式或为不同模态的结果分配不同权重来实现。决策层融合方法将不同传感器探测识别结果进行加权融合（如图2 所示），其优点在于提升系统的鲁棒性，压缩信息，减少传输和处理的数据量。常见的决策层融合策略包括但不限于投票法、加权平均法和多数表决法。
表3归纳了现有的采用决策层融合的探测方法。其中，文献提出一种BeamLearning 技术，通过结合光电和音频传感器，实现了对DJI 系列无人机的高精度3D定位，其绝对3D误差小于7%，准确率超过90%。文献提出一种基于运动目标跟踪的自监督网络，利用声学信息引导视觉信息进行无人机探测，该方法在减少数据计算量的同时提升了探测效率，但可能因融合阶段较晚导致探测准确率降低。随后，文献提出的MUTES系统通过整合光电、音频和激光雷达传感器，采用从粗到细的定位策略，实现了对广义无人机的高精度探测，其方位均方根误差和高度均方根误差均控制在较低水平。文献提出一种IMM-BLUE算法，显著提高了对广义无人机的距离和方位探测精度，其中距离均方根误差为93m，方位均方根误差为0.31°。此外，文献通过航迹融合与航迹关联技术，成功实现了超过90%的正确相关率，有效提升了运动目标的跟踪能力。层次化分布式数据融合结构和分布式容错扩展信息滤波算法在文献中得到应用，不仅提高了目标的定位精度，还增强了系统的容错功能，确保了在部分传感器故障或受到干扰时系统的稳定运行。文献提出了Deep‐lomatic系统，通过结合声学传感器、光电设备和人工智能技术，实现了对无人机的高精度三维定位和识别，提高了探测的准确性，并增强了系统在不同环境条件下的适应能力，在OASyS²项目对探测距离的评估中，进一步增强了广义无人机的探测能力，其探测距离可达150~250m。文献针对传统多模态目标检测依赖严格空间配准的问题，提出非空间配准条件下的多模态目标检测任务及决策融合方法，非配准场景下漏检率最大降低10.03%，配准场景 中较DAMSDet等先进方法精度提升6.8%，兼具鲁棒性与通用性。文献结合了YO‐LOv2、GMM、LSTM 等算法，在雷达、光电、ADS-B和GPS 传感器的融合探测应用中，实现了对广义无人机、民航客机、直升机、鸟等目标的高效探测，其中红外、可见光和音频 的F1-score分别达到了76.01%、78.49%和93.23%。决策层融合减少了融合需要的数据计算量，显著提升探测效率，同时便于使用更多模态的传感器进行探测，但由于融合阶段较晚，导致原始探测信息的大量损失，使得探测准确率大大降低，亟须一种兼顾效率与准确率的信息融合方法。
3.2 特征层多模态探测信息融合
特征层融合是一种多模态数据整合方法，其核心在于在数据输入模型之前进行融合处理。该过程涉及将来自不同模态的原始数据或从中提取的特征进行综合（如图 3 所示），从而构建一个统一的、多维度的表征。这个综合表征随后作为模型的输入，为后续的分析和决策提供更全面的信息基础。在无人机目标探测时，不同传感器能够采集到不同模态的数据，而这些原始数据往往无法直接进行融合，如红外与可见光的图像融合通常需要经过一定的处理并提取相应的特征进行融合。而在图像融合中，图像特征以矩阵、向量等数据的形式存在，导致特征层与数据层之间的界限相对模糊，但可以确切地说，在无人机探测领域，特征层与数据层的融合技术均会在提取不同模态信息的特征后立即进行融合，与决策层有着显著的差异，本文将特征层融合与数据层融合均归为特征层融合。特征层融合的优点在于充分利用信息的冗余性与互补性，信息损失少，识别准确率高。特征层融合在探测效率和准确率上均提升显著，近年来得到广泛研究。
表4 归纳了现有的采用特征层融合的探测方法。文献提出的Dual-YOLOv3 模型，通过将红外与可见光图像同时输入到深度残差网络中进行特征提取和融合，展示了深度学习技术在无人机探测 中 的潜力 和应用前景，其平均精度达 到 了98.85%。文献提出了一种基于快速超分辨率重建（Fast Super-Resolution Convolutional Neural Network，FSRCNN）算法和多尺度融合超分辨率重建算法（Multi-Scale Fusion Super-Resolution Recon‐struction Network，MFSRCNN），验证了该算法在重建无人机目标详细信息方面的可行性，平均置信度提升了6.72%。文献设计了多光谱交互注意力融合模块，实现了红外和可见光特征的深度聚合，在mul-UAV 数据集上的平均精度达到了68 .1%，显著提升了探测准确率。随后，文献提出了一种基于改进YOLOv8 的双模态中期融合检测算法，设计可见光红外融合模块（Visible-Infrared Fusion Module，VIFM），在红外与可见光双模态输入下，该算法在DroneVehicle 数据集上的平均精度相较于单可见光与单红外模态检测分别提升了 16.53%和18.36%。进一步地，文献系统探究了融合模块在网络中的位置对性能的影响，提出了前端（Frontend Fusion Detection Network，FFDN）、中端（Middle-end Fusion Detection Network，MFDN）与后端（Back-end Fusion Detection Network，BFDN）三种融合框架，在DroneVehicle 数据集上，该方法的平均精度达到 80.0%，相较于单一红外与可见光输入分别提升了14.78%与12.99%。此外，文献扩展了传感器范围，提出了结合无线电侦测、雷达、光电和声学等传感器的综合探测和跟踪方法，通过分别提取不同模态的特征互补各传感器的优势，显著提高了系统的探测跟踪能力和精度。尽管如此，如何在实时处理中有效融合如此多的异构数据仍然是一个亟待解决的问题。文献提出了一种基于卷积神经网络（Convolutional Neural Network， CNN）的多模态融合方法，结合光学图像、雷达距离-多普勒图和音频频谱图，通过多项式logistic 回归融合CNN 输出概率，该方法在无人机检测和分类任务中取得了显著的性能提升，检测速度和平均精度都有显著提升。文献提出了一个射频—视觉定向融合框架，通过联合校准阵列天线与相机实现射频信号与图像的对齐，并设计了基于图像分割的去噪方法（Image Segmentation-based Denoising U-Net，ISD-UNet）以提升方位角估计精度。在自建射频—视觉无人机数据集上的实验表明，该框架在保持高召回率的同时，实现了87 .8%的AP@50，相较于纯视觉方法YOLOv5在相同数据集上提升了约9%。此外，该框架在雾天、遮挡及多干扰目标（如鸟类、直升机）场景下均表现出较强的鲁棒性，验证了射频模态在提升视觉定位可靠性方面的有效互补性。
3.3 混合层多模态探测信息融合
混合层融合方法是一种创新性的多模态数据整合策略，它巧妙地结合了特征层融合和决策层融合的优势。混合层融合技术由多个传感器的原始探测信息经由特征提取模型处理后，输入信息融合模块；融合后的信息通过推理模型生成多个识别结果，最终在决策模块综合这些识别结果，做出最终决策（如图4 所示）。这种方法不仅保持了系统的高性能，还提供了根据具体应用场景和融合复杂度灵活选择最优组合的可能性。通过在不同层次上进行融合，混合层方法能够在保持数据丰富性的同时，实现更为精确和更具鲁棒性的决策过程。
表5归纳了现有的采用混合层融合的探测方法。文献提出了一种多模态混合层融合概念，利用 Dempster-Shafer（DS）算法和多传感器 网络（Multi-Sensor Networks，MSNs），首先，在第一阶段获取目标特征信息；随后，在信息融合阶段结合相邻节点交换的信息与本地测量信息，实现高精度机动目标身份信息的获取；最后，通过识别信息得到目标的精确状态估计，其均方根误差（Root Mean Square Error，RMSE）达到了相对最低水平。文献设计了一种自适应融合策略，通过定义模型训练参数动态调整不同模态的权重，根据输入图像的特性自动调整融合策略，显著提高了融合的灵活性和有效性，其在广义无人机数据集上的平均精度达到了38.26%。文献则结合计算机视觉和雷达信号处理技术，提出了基于数据级融合和决策级融合的两层融合策略，通过YOLOv3模型在不同环境下最高提升了9 .5%的准确率。文献通过搭建CNN框架，融合声学、图像/视频和无线射频信号，实现了对恶意无人机的鲁棒检测和分类，加权平均法F1-score达到了97.46%，显著提高了系统处理复杂数据的能力和对新型或未知无人机的识别能力。文献通过结合相机与激光雷达，实现了低成本的全向感知，通过对高精度低频率的激光雷达数据与低精度高频率的视觉数据进行融合，有效验证了该方法在目标位置估计与追踪方面的有效性。研究表明，混合层融合方法能够有效地结合不同传感器的优势，提高无人机探测的准确性，理论上能够进一步提升融合效率，有待进一步验证。中国电信联合北京邮电大学开展的“射频+光学”多模态融合低空通感一体外场试验，是典型特征层与决策层混合层融合工程实践。针对射频信号与视频图像在数据结构和时序上差异巨大的挑战，系统并未强行进行鲁棒性较差的像素级融合，而是采用了特征联合增强与跨模态轨迹融合的混合策略。系统先在特征层分别提取射频模态的目标运动特征与光学模态的视觉纹理特征，再在决策层通过时空关联算法完成航迹级融合，最终实现了对无人机的连续、稳定跟踪。试验量化结果表明，该混合融合方案相较射频、光学单模态感知实现了显著性能提升：通过特征联合增强算法，对无人机、气球等典型低空目标的检测概率达95%以上；双目标测距误差小于1.5m，目标轨迹完整性均达95%以上；同时基于6G通感一体波形设计，通信峰值速率达2.8Gbps，充分验证了混合层融合架构在实际低空安防场景中的可行性。但该混合融合方案仍存在明确的性能边界，存在无法稳定探测的场景：一是非视距完全遮挡场景，当目标处于楼宇密集区、障碍物完全遮蔽基站视距时，射频感知无法获取有效散射信号，光学模态也无法捕获目标成像，混合融合失去双模态特征输入，无法完成目标检测与跟踪；二是极端恶劣气象与光照场景，在浓雾霾、强雷暴等超出光学传感器成像极限的环境中，光学模态无法提取有效纹理特征，仅靠射频单模态无法支撑决策层的跨模态关联，易出现轨迹断裂与误检。研究表明，混合层融合方法能够灵活结合不同层级融合的优势，充分发挥不同传感器的性能互补性，有效提高无人机探测的准确性与鲁棒性，理论上能够进一步提升融合效率；而工程化试验中暴露的性能边界，也印证了该类方法仍需在极端场景鲁棒性优化等方向开展进一步的研究与验证。
4 多模态融合探测的典型工程应用案例
多模态融合技术不仅在理论与算法层面取得了显著突破，近年来更逐步从实验室走向规模化工程应用，广泛服务于国内多地的要地防护与城市低空安全治理，并取得了确切的实战成效。以下几个典型案例充分验证了该技术在复杂场景下的工程可行性与巨大应用价值。
4.1 广西机场群：多模态侦测与“技人结合”的净空防护
自2023 年起，广西8 个机场逐步部署了多模态无人机侦测系统。该系统针对民航净空区复杂的本底环境，采用“雷达+光电+频谱”的组合融合侦测模式。在实际应用中，系统不仅依靠底层特征融合解决远距离微小目标的发现难题，还创新性地搭配夜间肉眼识别与数字望远镜，形成完善的防控体系。实战运行以来，该系统有效提升了夜间对目标的识别率，联合公安部门成功处置多起群众举报的 “黑飞”线索，彻底杜绝了因无人机干扰导致的航班延误与备降事件，显著提升了机场净空保护的协同效能。
4.2 浙江杭州奥体中心：融合“安保无人机”的AI全自动监测与网捕
针对大型场馆安保中传统人工反制“响应慢、识别难”的痛点，浙江移动协同公安部门在杭州奥体中心验证了低空“黑飞”AI全自动监测处置系统。该系统以“中移凌云”平台为核心，深度融合了5G-A、雷达、光电等异构多源探测数据。在验证中，多模态感知网络精准捕获入侵目标后，AI算法立即进行轨迹预测，并自主调度搭载气动网枪的 “安保无人机”升空拦截。依靠雷达与光电的多源实时引导，“安保无人机”实现了最快25m/s的空中精准网捕。这一“网捕协同”模式将发现到处置的时间由人工模式的15min 压缩至60s以内，处置成功率提升至99%以上，标志着低空安防向全天候、高可靠的自动化演进。
4.3 山东烟台：基于通感一体与TDOA 的城市低空监管底座
在城市复杂核心区，非视距遮挡严重制约了传统单一雷达的发挥。烟台联通利用C-BAND（3 .5GHz）网络，成功落地了一套以多模态感知融合为核心的低空安全底座。该体系创新性地将充当“雷达模态”的5G-A主动探测（利用基站设备的协同反射感知）与充当“无线电频谱模态”的到达时间差（Time Difference of Arrival，TDOA）被动定位技术进行跨模态融合。实测数据显示，该通感融合网络在垂直张角约88°、拉远1.2 km 的范围内，实现了不间断的轨迹跟踪，水平与垂直定位精度分别优于5m和2m。同时，被动无线电TDOA 技术的融入不仅弥补了主动探测在复杂楼宇间的盲区，还能通过解析通信协议准确定位地面的飞手位置，实现了从目标三维追踪到源头反制干预的端到端闭环管理。
上述案例表明，多模态融合技术已从单一的理论算法走向规模化的工程应用，展现出了在复杂电磁环境与多样化安防需求下的强大适应性与广阔前景。
5 公开数据集
随着多模态探测信息融合技术的发展，高质量数据集的构建成为推动开发多模态探测大模型的关键。当前公开的无人机探测数据集中，视频图像数据占据主导地位，这主要归因于其相对低廉的采集成本和成熟的计算机视觉技术。表6梳理了近年来公开的用于反无人机的多模态数据集，均以低慢小民用多旋翼无人机为采集目标，覆盖机型以大疆消费级多旋翼无人机为主，与实际防控场景中的主流“黑飞”机型高度契合，与本文的研究对象范围完全匹配。2017年，文献公开了无人机图像数据集Public-Domain&USC drone dataset，包括30个YouTube视频序列，实现无人机 的检测与跟踪。2021年文献提出的数据集Drone-vs-Bird De ‐ tection Challenge 2021对无人机与鸟类进行了区分。随着图像融合技术得到广泛应用，特别是在应对低可见度条件和夜间任务时，多光谱融合技术，尤其是红外光的应用日益普及。文献构建了基于红外与可见光探测 的无人机数据集AntiDrone，同时将无人机多机型进行分类。然而，光电图像仍受制于天气条件、环境遮挡以及探测距离与成本之间的指数关系等因素。2021年文献在光电探测数据的基础上加入了音频探测数据，但由于其有效探测距离有限，易受环境噪声干扰，且难以精确区分不同机型，容易对探测效果造成负面影响。文献公开了基于可见光探测的数据集DUT-Anti-UAV，对无人机飞行轨迹检测进行了探索。文献拓展了多模态传感器的种类，收集了可见光、无线电和音频数据，包含3种不同机型的无人机。目前，传感器种类最为丰富的数据集MMAUD包含了立体相机、多种激光雷达、雷达和音频阵列等多种传感器，同时包含4种无人机机型以及环境噪声序列。然而，该数据集中使用的传感器探测距离普遍较短（如立体相机<100m，雷达<350m，声音阵列<40m），且场景类型有限，各传感器之间的数据异步问题也较为显著，因此难以满足实际应用场景的需求。
目前，无人机探测数据集的演进主要体现在传感器类别的多样化扩展、多任务集成以及多机型的识别。然而，现有的多模态数据集在数量、规模和多样性方面仍有待提升，特别是在复杂环境和多目标场景下的数据采集和标注仍面临挑战，且数据集间的传感器配置差异、多模态数据的时间同步和空间校准等问题仍是构建高质量数据集的关键挑战。
6 未来展望
本文分析了无人机多模态探测信息融合技术的发展现状及趋势，旨在为无人机多模态探测信息融合技术的研究者提供全面的技术概览和发展趋势分析，以期推动领域的创新与实践。
从多模态融合的难易程度来看，尽管基于深度学习的端到端模型已在无人机多模态探测融合技术中得到广泛应用，但传感器种类的增加，融合的难度也随之增加。为了解决异构信息难以融合的问题，通常需要将各个传感器采集的原始数据进行预处理，转换成适应端到端网络的形态。对于红外和可见光图像，现有研究大多基于可通过图像配准获取像素级空间映射的图像，从而进行高效的特征匹配与自适应融合。然而，由于射频信号、音频信号等多模态探测信息的异构性，导致多模态信息之间存在维度、视角、任务上的显著差异，如何对其进行矫正，确保融合过程能够有效提取信息差，成为研究人员重点关注的问题。目前已有研究对自校正跨模态仿射变换展开探索，将毫米波多普勒特征变换到图像信道域，实现了自校正融合。该融合方法可以减少传统的人工空间对准和后续的对准误差，同时增强目标无人机区域的特征显著性，而对于无线电、音频等多模态探测技术的自校正方法仍有待探索。
从多模态融合的发展脉络来看，无人机多模态探测信息融合技术分为三个关键发展阶段：决策层融合阶段、特征层融合阶段和混合层融合阶段（见图5）。早期决策层融合因结构简单、易于集成，适用于对实时性要求高但精度需求相对宽松的初步集成系统。然而，该方法在信息源头即进行独立决策，损失了大量原始数据中的细节关联，制约了探测精度的进一步提升。随着深度学习技术的发展，特征层融合成为主流范式，通过在中间特征层面进行跨模态交互，能够更充分地保留并利用原始信息的互补性，显著提升目标识别与跟踪的精度，但其计算复杂度较高，对硬件资源提出更大需求。为兼顾精度与效率，混合层融合被提出，其旨在系统层面协同利用不同层级的融合策略，但因其架构设计复杂、优化难度大，目前仍处于探索与发展阶段。当前，特征层融合因其在复杂场景下卓越的精度表现，仍是该领域的研究与应用焦点。各融合方式的系统性比较与分析见表7。
随着无人机平台及其应用场景的快速发展，未来的无人机探测信息融合技术研究将面临新的挑战和机遇。例如，如何有效整合新型传感器数据，如何推动大模型算法和数据的开源共享，如何应对更加复杂多变的探测环境等。基于当前研究现状和技术发展趋势，未来的研究可能会聚焦于以下几个方向：
（1）混合层融合技术的深化与拓展
混合层融合作为当前研究的主要发展方向，其技术优势在于能够充分利用不同层次的信息，实现更高效、更精准的目标探测。未来的研究将致力于进一步完善混合层融合技术，探索更多模态传感器之间的协同机制。这包括但不限于开发适应性更强的混合层融合算法，能够根据不同场景和目标特征动态调整融合策略；研究如何在混合层融合中有效整合新型传感器数据，如量子传感器或太赫兹雷达等；探索混合层融合在复杂电磁环境下的鲁棒性提升方法，以应对日益严峻的电子对抗环境。在此基础上，未来需构建环境自适应的置信度评估体系，例如在浓雾或强光致盲等极端场景下，自主抑制光学模态并动态拉升射频、声学等抗干扰模态的融合权重，从底层解决单一模态失效的难题。
（2）大模型技术与多模态数据集的融合应用
随着人工智能大模型技术的快速发展，将其应用于无人机多模态探测领域成为一个极具潜力的研究方向。这一趋势主要体现在以下几个方面：构建更完整的无人机多模态数据集，通过整合各类传感器数据，包括但不限于雷达、光电、声学和无线电信号，以支持大模型的训练和验证；开发基于大模型的多模态融合算法，利用大模型的强大特征提取和跨模态关联能力，提出更高层次的端到端信息融合策略；推动算法和数据的开源共享，建立标准化的数据接口和评估指标，促进学术界和产业界的合作与交流。引入视觉大模型及其核心底层架构已成为下一代低空防御系统的关键突破口。例如文献深入探讨了大模型机制在多源异构数据融合中的潜力，提出了一种视觉-雷达融合的动态稀疏网络（vision-radar fusion-based dynamic sparse net ‐ work，Vira-DSNet）直接利用大模型标志性的多头注意力机制，实现了雷达与光电特征的端到端动态交互，显著解决了“低慢小”目标高机动性带来的模态不对齐痛点；同时针对夜间和复杂光照环境，文献直接将视觉大模型的典型架构（Swin Trans ‐ former）引入热红外（Thermal Infrared，TIR）无人机目标跟踪中，利用大模型架构强大的全局特征建模与零样本泛化能力，突破了传统小规模单模态网络极易丢失高机动小目标的瓶颈；在语义与视觉的跨模态交互方面，文献创新性地引入了大型语言模型（Large Language Models，LLMs）来驱动视觉-语言跟踪（Visual-Language Tracking，VLT）。该网络利用LLM 动态生成并更新目标的自然语言描述，引导多模态特征进行实时的空间与语义对齐，极大地提升了目标在剧烈姿态变化和复杂遮挡下的跟踪鲁棒性。依托大模型强大的跨模态对齐与零样本泛化能力，未来的多模态探测技术将打破异构传感器间的表征壁垒，实现复杂空域环境下抗干扰、强鲁棒的智能化精准感知。同时，针对纯数据驱动大模型易受对抗样本攻击的弱点，未来应重点引入物理机制启发的神经网络（Physics-Informed Neural Network，PINN），将雷达方程、电磁波衰减及无人机旋翼运动学约束内嵌至大模型中，通过“数据和物理”双驱动有效抑制复杂战场环境下的多模态幻觉与漏报。
（3）空间异构融合策略研究
针对复杂多变的探测环境，未来的空间异构融合策略研究需要深入探讨多节点、多模态、多平台的协同探测机制。这一研究方向涵盖了多个关键技术领域，包括多节点数据校准与去重技术、异构空间探测资源的动态分配以及分布式融合算法等。在多节点数据校准与去重方面，需要开发高效算法以处理来自不同探测节点（如地面站、空中平台、车载设备等）对同一目标的重复探测数据，通过时空同步、数据关联和异常检测等手段提高探测精度和效率。异构空间探测资源的动态分配研究则聚焦于如何根据目标特征和环境条件，实时优化不同探测节点的资源分配和协作模式，这可能涉及多目标优化算法、环境感知决策系统和自适应任务调度机制的开发。分布式融合算法的研究旨在开发能够在异构网络环境下高效运行的数据融合方法，以适应多节点探测系统的需求，这可能包括轻量级通信协议、边缘计算融合算法和容错机制的设计。此外，还需要考虑多尺度空间信息融合和环境自适应融合策略，以提高系统在不同场景下的适应性和鲁棒性。通过这些研究，未来的空间异构融合策略将能更好地应对复杂多变的探测环境，提升无人机探测系统的整体性能和可靠性。特别是结合5G-A/6G通感算一体化网络，利用海量基站等分布式通信基础设施进行被动频谱侦测与主动协同感知，解决城市核心建筑群对雷达与光电产生的视距遮挡盲区问题。
（4）多模态融合的实时性优化策略与跨平台适应性研究
本文提出的多模态信息融合方法已在单目标探测场景中验证了有效性，但面对多目标或集群无人机时，现有的多目标数据关联与特征匹配技术仍面临挑战。未来研究需构建跨模态特征匹配机制，通过多模态自注意力网络提取雷达、光电、无线的共性特征，建立跨模态目标相似度矩阵，解决密集目标场景下航迹交叉、身份切换等关联歧义问题。结合多目标跟踪（Multiple Object Tracking，MOT）算法设计层级化关联策略：首层利用运动一致性约束（速度、加速度阈值）筛选候选目标对，次层通过深度度量学习计算跨模态特征相似度，实现多目标-多模态的精准关联与绑定。该策略可为单目标多模态融合提供可靠的数据关联基础，有效降低复杂场景下的误关联率，进而提升集群目标轨迹重构精度。同时，通过强化学习动态调整雷达、光电、无线电模态的置信度权重，解决目标遮挡、轨迹交叉等复杂问题；优化多模态时空配准精度与资源调度机制，提升系统在集群目标场景下的鲁棒性。此外，结合图神经网络（Graph Neural Network，GNN）与时空注意力机制构建无人机集群行为演化模型，通过多模态运动特征提取与拓扑关系分析，提前预测集群突防路径，为防御决策提供先验信息。在实时性保障上，针对多传感器海量异构数据造成的带宽与算力瓶颈，融合架构必须向“设备特征提取、云侧跨模态关联”的边缘协同计算方向演进，以满足集群对抗场景下的微秒级协同响应需求。
7 结论
本文全面回顾了无人机多模态探测信息融合技术的发展历程、现状及趋势。从单一探测技术到多模态融合，从决策层到混合层融合，该领域的技术不断进步。结合近年来公开的多模态数据集，总结了当前研究方向和技术难点。文中还提出了一种多模态探测信息融合系统搭建方案，包括多维特征提取策略和多模态特征加权融合策略设计，并通过实验验证了该方案的可行性。展望未来，混合层融合技术的深化、大模型与多模态数据集的融合应用，以及空间异构融合策略研究将成为重点发展方向。尤其是在算法层面，突破雷达深度信息与光电二维纹理的空间对齐瓶颈，实现向鸟瞰图或三维体素等统一三维表征空间的跃迁，将是解决多源数据底层几何不对齐的核心。针对低慢小民用多旋翼无人机这一核心防控目标，还需重点研发多模态弱特征联合增强算法，破解其旋翼微多普勒特征弱、光学成像占比小带来的远距离探测难题，同时优化静默飞行场景下雷达-光电双模态融合的鲁棒性，弥补无线电模态失效的探测盲区。这些进展将为无人机探测与管控提供更全面、精准的技术支持，推动该领域的持续创新与实践应用。多模态探测信息融合技术的不断发展，可以有效实现信息互补与探测精度的提升，增强复杂环境下的鲁棒性，优化探测与反制协同效率等进而可推动智能化空域管理体系的构建，为低空经济发展提供安全可控的空域环境，强化国防安全能力。
关于空御科技
空御科技坚持"技术+场景"双核驱动战略，以多模态探测信息融合、低空安全监管垂类模型等核心技术为依托，致力于构建全域数字化低空安全监管新范式，筑牢低空经济发展安全底座，为行业高质量发展注入新动能。已服务于多个国家级低空安全监管场景。
成都空御科技有限公司成立于2014年，是一家集研发、设计、生产、销售和技术服务于一体的国家级高新技术企业，致力于将核心技术与行业场景深度融合，提供一站式全面高效、精准防护的产品、服务和解决方案，现已成长为国内领先的系统级综合反无解决方案提供商。
空御科技贯彻“军工品质、科技创新”的价值理念，积极主动服务国防和军队建设，广泛参与校企科研项目合作，持续进行研发投入，自主研发的“降鹰”反无人机系统已获得50余项知识产权。公司具备完备的检测认证资质，已通过高新技术企业、四川省/成都市军民融合企业、武器装备质量管理体系等认证，入围公安部警采中心协议供货项目。
多年来，空御科技始终奋战在低空安防保障的第一线，不断优化产品和解决方案，凭借扎实的自主创新实力、贴近用户的解决方案和专业快捷的客户服务，赢得了市场的广泛认可。未来空御科技将继续积极推动行业健康有序发展，为国家反恐、维稳、民众安全及军事应用提供有力支撑，成为国家空域安全背后的中坚力量。
联系方式：
电话：028-68731051、18084848218（微信同号）
邮箱：kongyu@skydefence.cn
官网：http://www.skydefence.cn/
