2025 年，无人机（unmanned aerial vehicle，UAV）时代进入到“泛在智能、系统融合”新阶段，是低空经济（low altitude economy，LAE）从规模化试飞发展为规模化运营的关键驱动力[1]。无人机是联结物理世界与数字世界的重要“智能触媒”，通过结合大语言模型、智能认知、强化学习等前沿技术，实现从感知智能、认知智能再到执行智能的闭环跃迁，推动城市空中交通、即时配送、智慧农业等综合应用场景纵深发展，进一步融合数字智能、通信组网、空域信息，LAE 正从单点效率提升迈向系统级生产力重构；尤其重要的是，基于群体智能和跨域协同等关键技术，无人机正演化出具有自组织、自适应、自重构能力的体系化系统，LAE 依托“技术驱动、生态反哺”的机制逐步形成新质技术迭代与应用场景相互促进的良性循环，不断拓展其影响的深度[2]。本文从无人机技术革新、无人机关键技术、无人机应用验证、反无人机战术、无人机管控政策等多维度探讨 2025 年的无人机代表性进展，系统梳理了演进脉络、核心挑战与未来发展的趋势。

1 无人机技术革新

无人机的发展正经历从单点突破到体系协同的范式跃迁，在航路规划、智能决策、通信组网等关键技术领域呈现出深度交织与协同进化的新特征。

1.1 无人机航路规划

无人机自主飞行技术的突破源于感知、规划与控制等核心模块的深度融合与跨域集成，不仅显著提升了系统的自主性与环境适应性，更为其在未知动态场景中的可靠部署奠定了技术基础。在此进程中，无人机航路规划技术正在经历从单机离线规划向多机在线协同决策的范式转变。香港大学张富团队[3]在《Science Robotics》上发表的研究，设计了一款集成高推重比（>5.0）紧凑机身与轻量化三维激光雷达于一体的安全高速空中机器人系统（图 1（a）），该系统通过高推重比实现了敏捷机动能力，并借助轻量化激光雷达完成了远距离精确障碍感知，不仅实现了单机在未知环境中的高速自主飞行突破，也为群体协同中的轨迹优化提供了关键的硬件与感知基础。

基础技术方面，路径规划目标范式已发生改变。过去路径规划的研究注重于求解如何在一个几何空间内找到无碰撞路径，而到 2025 年前沿工作研究的重点则是路径规划与任务的目的性和最优性匹配。针对激光充电无人机支持的可充电无线传感器网络，Betalo 等[4]通过构建功率分配、动态充电策略与路径规划的联合优化问题，实现了无人机在动态环境中实时调度充电与优化轨迹，该系统能够在复杂环境中最小化任务完成时间与节点死亡时间，展现出异构系统内不同主体动态择优路径的能力（图 1（b））。这一趋势在端到端学习框架中得到深化，上海交通大学邹丹平团队[5]在《Nature Machine Intelligence》上提出了一种融合无人机物理建模与深度学习的端到端方法，该研究首次将可微分物理训练的策略成功部署到现实机器人中，实现了无人机集群自主导航，并在鲁棒性、机动性上大幅领先现有的方案（图 1（c）），仅凭机载传感器便能在森林、动态障碍等复杂环境中实现 20 m/s的高速鲁棒飞行，并在多机场景中展现出无通信分布式自主协同能力，在训练效率与泛化性能上均超越传统方法，标志着无人机自主系统向感知−规划−控制一体化迈出关键一步。

1.2 无人机智能决策

无人机智能控制系统正在经历从指令执行向自主决策的关键转型，这一演进主要得益于智能算法对复杂环境适应能力的大幅提升。在协同控制层面，分布式优化方法的引入为群体智能的实现奠定了重要理论基础。Zhang 等[6]设计的基于有向拓扑固定时间分布式观测器能够保证无人机集群在固定时间内实现状态一致，提升集群在复杂拓扑下的系统收敛速度。

在智能决策领域，基于多智能体强化学习的决策框架支持无人机集群在复杂场景中完成协同搜索与资源调度，而紧耦合多传感器状态估计则为动态环境下的高精度感知与可靠定位提供了基础。这些技术共同构成了无人机实现自主协同决策与智能响应的核心支撑体系。例如，针对搜救场景中地面无线网络覆盖不足的问题，Soorki 等[7]设计了以无人机为空中网关，基于深度元强化学习的自适应控制框架。该框架使无人机在山区峡谷等复杂未知环境中，能够快速利用历史任务经验决策优化轨迹，高效搜寻被困人员，在实地测试中显著降低了搜救时隙与能耗，体现了单智能体在动态环境中的快速学习与决策能力。

在资源协同优化决策方面，Hwang 等[8]提出基于多智能体深度强化学习的无人机辅助移动边缘计算网络优化方法，通过神经网络自主生成任务导向的交互消息，联合优化无人机部署，在分散决策条件下实现了接近集中式方案的能效，并具有良好的规模扩展性。这 2 个方向分别从协同战术决策与资源协同优化2 个维度，共同推动了无人机智能决策平台向更自主、更高效的系统发展。无人机发展的另一关键推动力是多传感器融合技术的进步，催生了更高层次上无人机自主性的实现。Irfan 等[9]设计的多传感器紧耦合状态估计系统通过紧耦合融合惯性测量单元（inertial  measurementunit，IMU）、立体相机、全球定位系统（global positioning system，GPS）及双激光雷达的数据，在 GPS 可用或拒止的多种复杂环境中均实现了高精度、高鲁棒性的状态估计，有效抑制了长期轨迹漂移。这类技术不仅为单机在动态环境中的可靠运行奠定了基础，同时也为无人机的自主协同感知与群体智能演进提供了一致的状态估计支撑。

1.3 无人机通信组网

无人机的通信组网已超越基础连接保障的范畴，正演变为一种集智能环境感知与自主性能优化于一体的高阶能力。这一转变的核心在于智能算法与通信技术的深度自主协同。在第六代移动通信（6G）架构下，可重构智能表面辅助的无人机通信成为空天地一体化系统的技术支撑。针对传统通信组网依赖理想信道信息、模型单一及训练耗时的问题，Huang等[10]构建了面向四旋翼无人机的不完全信息通信与能耗模型，建立了通信吞吐约束下的能耗优化目标。

Cao 等[11]将分布式自触发控制和自适应控制相结合，使无人机群具有马尔可夫切换拓扑和信道衰落不确定条件下的最小负担的包容控制稳定性，与 Sharma等[12]考虑的最优路径不同。Ning 等[13]利用 6G 的新范式将无人机与智能反射面融合，创建了智能可控的无线环境，实现信号传播机理的可变，开启了超高可靠通信的新局面（图 1（d））。

智能组网的核心在于对网络状态的动态感知与资源优化，其技术路径的差异则体现在应对不同挑战的针对性策略上，例如优化路由协议、增强控制鲁棒性等，为高动态无人机网络协同提供了关键技术支撑。无人机通信技术的突破不仅体现在协议算法上，更重要的是离不开新通信模式和高认知水平的自主协同技术的赋能。通过无证书同态网络编码签名机制，可在提升传输效率的同时保障数据完整性与抗攻击能力，而知识赋能的分布式学习则推动无人机群协作优化通信模型，支持复杂任务高效执行。最终指向一个趋势，即在智能反射、内生安全、群体学习等先进的技术支持下，无人机通信网络朝着更高智能、更安全、更协同的方向演进，为未来无人系统的应用发展奠定基础。

2 无人机关键技术

基于上述无人机航路规划、智能决策以及通信组网技术革新，无人机关键技术正向更深度的协同与感知演进，具体主要体现如下方面。

2.1 无人机多机协同

无人协同系统已从简单算法模块进化成更加深度融合的“感知−决策−规划−控制”一体化系统，即在复杂动态环境下、有限机载资源和机体相互作用约束下实现自主作业[14]。目前，无人机在底层的运动规划上出现了可扩展性的迫切需求，例如，Hou 等[15]研发的基元集群（primitive swarm，PS）规划器，特征是把在线轨迹优化简化为基于运动基元库的在线问题，在千机规模的密集协同仿真中达到毫秒级的选择（图 2（a））。

但高效协同在于一致的环境认知，所以轻量化语义的共享环境模型成为感知层要解决的问题，Chen 等[16]设计的传感器接触式检测框架将标准清晰度地图和线上鸟瞰观景图像特征信息融合，而且提出了专门的路口感知任务提高系统对“轻地图”的场景理解鲁棒性。同时，当前发展的特点也比较清楚地呈现在一个融合闭环之中，从轻量化协同感知、语义化建模一致

的环境认知开始，Miao 等[17]针对多无人机自主协同探测过程中目标遮挡的问题提出一种基于改进麻雀搜索算法与模型预测控制的协同目标共识检测与轨迹优化方法，有效提升了多无人机在复杂环境下的检测效率与鲁棒性。

处理无人机自主协同的问题核心，在于由依赖精确的模型控制发展为具有较强适应能力、鲁棒性和群体智能的环境−任务一体化决策。在任务执行方面，强化学习的适应能力用于解决更复杂的动态情况，例如，Mondal 等[18]提出了一种基于多智能体强化学习方法，通过协同联合优化无人机轨迹与用户关联，以最大化无人机在蜂窝网络中的数据分流效率。Ullah等[19]使用图神经网络对多智能体环境中的各个实体间关系进一步加深理解，从而在传感器视野范围较小的城市空域中规划出可解释性好、高效的多智能体自主协同围捕策略。

2.2 多模态数据感知

无人机感知能力正经历从环境信息采集向情境认知决策的范式跃迁，这一转变构成无人机实现全方位感知智能的核心基础。前端设备层尽量小巧轻便，低功耗，以实现先进的感知算法的边缘计算；感知融合层则主动智能化地进行融合，提升全天候、全地形的强鲁棒感知能力；系统算法层多智能体自主协同，破解单机物理硬件极限，实现分布式群体感知智能。让无人机从飞行传感器的被动角色中解放出来，成为能够主动理解并决策环境态势的智能节点。在设备层面，技术发展的核心矛盾已由对单一模型精度的追求，转向对精度、效率与功耗的系统性协同优化，这在多模态感知智能领域尤为突出：在海上监测任务中，Zhao 等[20]设计的海上目标识别框架通过深度融合自动识别系统与视觉数据，在边缘端实现了高精度、高效率的船舶识别与跟踪；在无人机健康管理方面，Yang 等[21]搭建的融合多模态深度神经网络模型利用多模态传感器融合与并行特征提取，显著提升了异常检测的准确性与噪声鲁棒性。两者均体现了通过数据与模型协同优化以实现综合性能提升的技术路径。这一趋势将进一步推动技术向系统级解决方案演进。例如，香港大学张富团队[22]，针对山体滑坡防治工程中柔性拦石网的巡检难题，开发了一款搭载激光雷达的四旋翼无人机系统（图 2（b）），集成FAST−LIO2 里程计、增强型建图与自主规划控制模块，在香港 6 处真实陡坡测试中，其复杂环境适应性与任务可靠性均优于大疆 Mavic 3 等商用平台，体现了感知、规划与控制深度融合的系统级优化方向。尽管多模态融合极大地增强了单机感知的鲁棒性，但单机视野的遮蔽、定位误差等物理限制无法抹去，因此，在系统层突破感知限制之前，多机协同 3D 感知显得 尤 为 重 要 。多 机 感 知 与 同 步 定 位 地 图 构 建（simultaneous  localization  and  mapping， SLAM）技术相结合将使无人机在失去卫星导航信号的环境中拥有更高精度的自主能力。上述技术层面的演化，正是由具体应用中迫切的现实需求所驱动的。

2.3 无人机大模型融合

大语言模型（large language model，LLM）和视觉语言模型（visual language model，VLM）集成的无人机自主系统，无疑是一场大变革，模型之所以能带来变革，其核心在于将强大的高级语义理解、全局推理与逻辑规划能力，与无人机的高精度物理控制相融合，从而显著提升无人机在任务规划、自主决策及环境感知等方面的综合性能。在任务规划、控制方面，LLM的全局推理优势可用于解决复杂的组合优化问题。例如，考虑多无人机协同无人车送货的多飞行器旅行商问题，Zhou 等[23]提出了 LLM 支撑下的 Q−Learning方法，设计提示策略将复杂的调度问题转化为 LLM可表达、可理解的形式（图 2（c）），帮助算法找到可行的方向，得到大规模问题的高质量解。将 LLM 或 VLM直接接入无人机控制系统，会因模型自身幻觉和响应延迟等问题带来潜在风险，为此出现了多种协同式架构方案以应对上述挑战。针对搜救等紧急任务中传统深度强化学习仿真到实况迁移难的问题，Emami 等[24]提出了基于上下文学习的数据采集调度系统。在此基础上，为进一步解决复杂危险环境中基于语义描述搜索特定目标的挑战，Cai 等[25]提出了一种组合式神经符号系统方案。该系统通过集成神经符号感知、推理与概率世界建模，并采用分层规划器进行高效路径决策，在仿真城市搜索任务中实现了超越现有基线的感知与规划性能（图 2（d））。更进一步，LLM 的应用正从任务理解扩展至系统级资源协同优化。例如，在集成感知与通信的多无人机网络中，Li 等[26]提出一种基于 LLM 的分解式多目标进化算法，将通信效用最大化与用户定位精度最优化的非凸问题分解，并利用 LLM 作为黑盒搜索算子进行联合优化，在无人机部署与功率控制中找到了清晰的帕累托前沿，其性能在收敛性和解集质量上均优于传统多目标进化算法。因此，目前基于 LLM/VLM 的无人机感知智能化研究正朝着一个融合路径演进，它们的共同目标是打通从高级语义指令到可靠物理控制与多目标系统优化的完整决策链路，最后构造出高认知、强解释、精泛化的下一代自主无人机。

3 无人机应用验证

无人机在军事与民用领域的跨界融合与协同演进已成为显著趋势。从军事视角看，2025 年呈现出多维度、体系化的重要突破：美国协同作战飞机（Collaborative  Combat  Aircraft，CCA）项目下的 YFQ−42A及 YFQ−44A 2 种原型机，分别于 2025 年 8 月与 10月成功完成首飞，标志着有人−无人编组作战进入工程验证阶段，为后续与 F−47 等六代机构建协同空中作战体系提供了关键支撑；中国在高端平台协同方面亦取得重要进展，攻击−11 玄龙隐身无人机与歼−20威龙隐身战斗机首次公开编队飞行（图 3（a）），体现了在高对抗环境下有人/无人平台协同侦打一体的实战化概念验证；与此同时，在低成本无人机作战创新领域，中国人民空军举办了“极低成本无人机竞优比测活动”，广泛邀请全社会无人机企业参与技术打擂台，进一步推动相关能力体系的开放化、敏捷化发展。除此之外，全球范围内无人机空战能力建设也取得实质性进展：土耳其红苹果无人机成功实施游隼超视距对空导弹实弹射击，澳大利亚 MQ−28A 幽灵蝙蝠无人机平台也首次完成 AIM−120 中距对空导弹发射试验，这表明无人机已逐步从情报、监视、侦察平台向具备制空、防空压制能力的多功能作战节点演进。在实战层面，无人机在地区冲突中呈现复杂多样的攻防博弈，从红海上的低成本蜂群进攻到高端舰上防御的成本较量；在俄乌战场上，俄罗斯部署 50 km光纤遥控实现超视距精确打击的第一人称视角（FPV）无人机，与乌克兰依托人工智能（AI）电磁对抗技术展开的快速攻防迭代，持续推动战场形态演进；中东地区则凸显了隐身无人机渗透与一体化防空体系之间的高端能力比拼[27]，全方位检验了现代化战争的新型攻防样式。这些尝试表明，无人机已从战场辅助角色演变为影响现代战争进程的关键要素，推动系统向综合化、智能化和协同化方向快速演进。在技术层面，无人机系统正突破传统作业限制，例如垂直堆栈近端协同控制这一长期技术瓶颈获得突破。西湖大学赵世钰团队[28]研发了协同空中操控系统（flying tool box，FTB），完成了多架旋翼无人机的空中工具交换，实现了“叠式”飞行状态下的高精度协同作业，其异体无人机间工具交接精度达到亚厘米级，即使在 13.18 m/s的强气流环境下仍能保持精准对接，为解决飞行接近度与操控精度的矛盾提供了新的技术路径（图 3（b））。在此基础上，无人系统竞赛成为推动技术迭代和人才培养的重要机制。2025 年“申达杯”智能无人系统应用挑战赛通过多科目设置，全面考核无人系统在复杂环境下的自主协同能力，促进了产学研深度融合[29]。无人机技术的融合发展，在技术路径与能力构建上呈现出显著的协同互补。军事领域对隐身、抗干扰、集群控制等能力的严格要求，持续驱动新材料、通信、感知智能算法等技术的突破，2025 年成功首飞的彩虹−7 高空高速隐身无人机，标志着中国在隐身设计与高速突防能力上取得重要进展，进一步拓展了无人机作战体系的高端应用场景；彩虹−9 中高空长航时无人机以 24.8 m 翼展、万米高空 40 h 待机的综合性能，在航时与覆盖范围上实现跨越，智能航路规划与自主载荷控制能力显著增强了其在复杂战场中的穿透力，正成为重塑未来战争样式的新型战略装备；同期在陕西完成首飞的“九天”大型通用无人机平台（图 3（c）），采用“通用平台+模块化任务载荷”设计理念，具备大载重、高升限、宽速域、短起降等核心优势。与此同时，中航工业集团自主研发的高空长航时翼龙 X 无人机续航已超过 40 h，能够支持多机协同与模块化任务载荷，展现出较强的持续作业与体系协同能力，而民用场景对轻量化模型、实时处理、高可靠运行的需求，又为军事无人机平台的长时作业能力、战场适应性与实战可用性提供了重要技术反哺[30]。例如，联合飞机集团 TD550 无人机完成 51.4 km 跨海飞行，载重 100 kg，时效较传统航运提升 75%（图 3（d）），这也表明未来无人机的发展更应该是技术在复杂环境下的自主、智能、融合作用。

各类高端的国际大赛成为集群技术跨越式发展和部队应用推广的有效工具。算法上，无人机感知智能正朝着更具认知与模型驱动决策的方向演进。从通信角度看，5G−A/6G 实现的通信、感知、计算一体化的网络能给大规模集群提供超时延、高可靠、强感知的能力，使得上千架大小的编队密集控制、避障协同等成为可能[31]。赛事设置上的赛场极端化、任务复杂化、对抗剧烈化成为一个明显特征。中国无人机竞速联赛把任务的难度推向一种全新局面，让不同外形的多架无人机在无外部导航信号的环境下，进行无人机的搜索、跟踪和空中拦截任务，带动了视觉激光SLAM、具有跨平台抓取的飞行器协同抓取等技术能力的实战化[32]。

4 反无人机战术

2025 年，反无人机战术的重点已不再是探测、识别、拦截的流程变换，而是感知智能、协同决策与敏捷反制的对抗新智形态。针对低空、慢速、小目标与无人机群袭等威胁，单一传感器局限性的束缚被完全打破，多点协同感知是新方向。

参考文献