近年来，3D高斯溅射（3D-GS）在从RGB图像中进行高质量的3D场景重建方面取得了显著进展。许多研究扩展了这一范式，应用于语言驱动的开放词汇场景理解。然而，大多数研究仅仅将2D语义特征投影到3D高斯分布上，忽视了2D与3D理解之间的根本差距：3D物体在不同视角下可能呈现出不同的语义特征——这一现象我们称之为视角依赖语义。为了应对这一挑战，我们提出了LaGa（语言高斯），它通过将3D场景分解为物体，建立跨视角的语义关联。接着，它通过对语义描述符进行聚类，并根据多视角语义重新加权，构建视角聚合的语义表示。大量实验表明，LaGa能够有效捕捉视角依赖语义中的关键信息，从而实现对3D场景的更全面理解。值得注意的是，在相同设置下，LaGa在LERF-OVS数据集上相较于之前的SOTA，mIoU显著提升了+18.7%。我们的代码已开放，地址为：https://github.com/https://github.com/SJTU-DeepVisionLab/LaGa。

神经网络的端到端优化带来了人工智能的巨大进展，这些进展有望颠覆我们生活的许多方面。与此同时，端到端的工程方法有助于确保这些人工智能系统保持在用户和开发者的控制之下。设计目标和威胁模型为基准和指标提供了依据，这些又反过来影响训练目标和数据，进而影响神经架构和算法。我将讨论这一方法的多种实际方法和考虑因素，包括多模态的优势、评估基于规则的行为、确保广泛能力模型的挑战、构建稳健的控制通道和保障措施等内容。 在过去几年中，人工智能领域已从一个仅仅是令人兴奋且充满潜力的研究领域，发展成了世界上最强大技术公司之间的国际军备竞赛。其资源已增长到天文数字，目前由OpenAI和软银宣布的价值5000亿美元的数据中心基础设施合资企业为这一领域设定了新的高点。 我在GPT-3发布几个月后开始研究生学习，当时关于大型语言模型（LLM）是否能为现实世界带来经济价值仍是一个公开的辩论话题。OpenAI的GPT-3 API在当时对除了像Harvey和Jasper这样的一小部分冒险创业公司外，几乎对所有人来说只是学术兴趣的对象。而今天，辩论的焦点已经转移到是否任何有经济价值的劳动在不久的将来将不会被人工智能自动化的问题上。 许多领先的人工智能研究人员认为，由自主AI系统完全取代人类是一种严肃的可能性。Geoffrey Hinton甚至预测，未来30年内AI导致人类灭绝的概率为10%到20%。与此同时，许多领域内的人仍然对从狭窄、封闭的基准测试中推断出来的戏剧性结论持深刻怀疑态度。Yann LeCun自信地宣称，LLM是“通往人类水平AI的绕行路”，并将有关存在性风险的讨论斥为“AI末日主义”。然而，尽管存在如此广泛的意见分歧，LeCun和Hinton都呼吁在人工智能系统中构建防护栏和更强的可控性，全球各国政府也已成立顾问机构，以跟踪先进AI的风险和后果。 事实上，虽然很少有人能就确切的预测和政策建议达成一致，但许多人共享建立可信赖AI系统的目标。 当前的AI系统在许多方面仍然存在不足之处，例如决策的可解释性，或者它们与人类价值观的一致性。许多问题是社会技术问题，我们甚至尚未达成明确的目标共识。但可信赖性另一个关键方面，即AI系统的安全性和可控性，包含了令人兴奋且定义清晰的技术问题。围绕这些问题，研究社区已经识别出了许多有前景的进展方向。通过解决这些问题，我们将能更好地为管理更强大的未来AI系统做好准备，并实现理想的社会和经济成果。

1.1 安全性与可控性

构建一个可控的AI系统意味着什么？在我看来，主要有三个标准。一个可控的AI系统应当： 1. 遵循用户指定的目标和提供的上下文 1. 在合理条件下具有稳健的泛化能力 1. 抵抗对其目标进行劫持的企图

与LLM的早期阶段相比，人工智能领域在这些标准上取得了显著进展，但同时仍有许多工作待完成。

**目标与上下文

用户可能会指定一些非正式的高层次目标，或是精确的低层次目标。这里所说的“用户”是广义的，包括最终消费者、第三方应用开发者和初期研究者。在用户的明确指示不足时，系统应当依赖相关上下文，例如与用户的先前互动，来推断出正确的行动方案。 如今，许多系统在理解明确指令方面做得相当不错，但在适当整合大量上下文信息方面仍有很长的路要走。当前聊天机器人的“记忆”功能主要依赖关键词或嵌入式搜索，这种方法可能会忽视间接相关的上下文信息，例如隐性偏好或独特的术语。

**稳健的泛化

一个条件集是否合理，取决于系统设计者构建系统的意图以及用户对这些意图的理解。例如，自动驾驶车辆需要应对各种可能的驾驶条件，聊天机器人必须在长时间、多轮对话中保持连贯性。 AI系统庞大的训练语料库赋予了它们在训练分布内进行泛化的能力，但我们仍然看到在训练中没有很好表示的条件下，性能表现极为不均。对于某些应用，确实可以“让全世界都包含在分布内”，即收集一个涵盖所有可能部署设置的训练数据集。但对于许多复杂领域，这种强行推进的方法是不可行的。

**抵抗劫持

未经授权的方可能会试图修改系统的原始目标，方法包括覆盖明确的指令或在上下文窗口中插入恶意内容，从而将模型的行为引导向不同的目标。在LLM之前，对抗性机器学习研究主要集中在计算机视觉模型或自动驾驶应用上。研究人员提出了许多不同的攻击方法，其中许多假设了不切实际的威胁模型，比如攻击者拥有模型架构和权重的全部知识，但现实中有效的攻击也广泛存在于文献中。研究界的共识是，这方面的工作迄今未能提供有意义的解决方案。 今天，模型提供商通常会将行为限制训练到模型中，以防生成违反使用政策的内容。然而，这些防护栏往往容易通过“AI越狱”被绕过。虽然新发布的模型现在对常见的越狱攻击具有更强的抗性，但红队竞赛表明，任何模型都无法完全抵抗决心强烈的攻击者。随着我们继续为AI系统引入额外的能力，如多语言和视觉识别，可能的攻击数量呈组合式增长。 本论文的第一章《自监督与语言-图像预训练的结合（SLIP）》源于我在与Meta的FAIR研究小组合作期间进行的一系列复制实验。我们沿袭了OpenAI的CLIP项目的做法，这是一个真正具有突破性的项目，发布于2021年，它将计算机视觉领域引入了网页规模的数据策划和预训练，成为了当前所有视觉和语言模型的第一个共同祖先，包括像DALL-E和Stable Diffusion这样的文本到图像模型，以及像GPT-4和Gemini这样的多模态LLM。在对一部分公开数据进行的小规模实验中，我们发现，将自监督学习与图像和标题对比学习相结合，能够在不同的评估环境和视觉识别任务中，显著提高图像表示质量。后来的视觉和语言预训练方法增加了越来越多的训练目标，这一趋势我们虽然无法声称是我们开创的，但无疑是我们在早期阶段就识别出来的。 在展示这项工作时，我结识了Waymo的应用研究团队，并在一次夏季研究实习中继续沿着这个方向深入，探索如何将SLIP等预训练的视觉表示应用于自动驾驶汽车。第二章《MoST：用于运动预测的多模态场景标记化》呈现了这项研究的成果，我们在其中解决了预测附近道路使用者（如其他汽车、骑行者、行人等）的运动轨迹的问题，这是Waymo在其汽车中部署的模块化自动驾驶架构的关键组成部分。通过将丰富的高维图像和点云特征与之前运动预测模型所依赖的符号化对象和场景表示结合，我们能够提高模型预测的准确性和稳健性。如今，Waymo的汽车在路上使用的更先进版本的这种方法，将许多传感器和感知信号引入了上下文中。 此时，预训练的规模已远远超过了即使是装备精良的学术研究小组在行业中的资源，我决定在LLM领域探索新的方向。在最初的GPT-4 API发布中，隐藏着一个很少使用的请求参数，叫做“系统消息”，用于向模型传达更高优先级的指令。我意识到，如果应用开发人员要实际使用这个功能来定制LLM以适应他们的特定用例，那么模型必须可靠地遵守系统消息中指定的任何规则，即使这些规则与用户指令相冲突。第三章《LLM能遵循简单规则吗？》中，我开发了一个评估方法，用于衡量LLM在像玩石头剪子布这样的简单交互场景中，遵循可验证规则的能力。我们的研究表明，各种简单而巧妙的用户消息都能说服即使是最强大的模型违反原始规则。当时，只有一小部分LLM支持系统消息或指令，但即便如此，这些模型也无法始终如一地遵循我们的规则。一年后，几乎所有模型都声称支持系统消息或指令，并且系统提示已成为“编程”LLM应用程序的普遍认可方法。然而，研究界仍然缺乏对系统提示在满足开发人员和用户期望的所有角色中的可靠性进行全面评估的方法。在《系统提示鲁棒性深入分析》中，我们整理了一个评估套件，衡量系统提示在不同设置中的可靠性。例如，我们设计了一个评估，包含多轮对话，模型需要处理不同数量的需求，如装饰名字或为场景描述添加特定的修饰语。我们还建立了对不同系统提示、冲突的用户消息、对抗性攻击、干扰性无关输入以及代理工具调用应用程序的系统提示鲁棒性评估。我们的结果表明，尽管最大的最新模型能够更加可靠地遵循系统提示，但它们仍然未能达到传统编程语言所能提供的可靠性水平。最后，我们还从一组第三方系统提示中收集了演示和偏好数据集，这些提示来自于各种在线来源。我们对这些数据集进行微调，能够显著提高模型对系统提示的遵守能力，证明了更系统化的数据收集能够显著提高模型表现，甚至超过了用于开发像Qwen和LLama这样的模型的复杂后期训练方法。

将自然语言（NL）问题转换为SQL查询，称为文本到SQL（Text-to-SQL），已成为促进关系型数据库访问的关键技术，尤其对于没有SQL知识的用户。大型语言模型（LLMs）在自然语言处理（NLP）领域的最新进展，显著推动了文本到SQL系统的发展，开辟了提升此类系统的新途径。本研究系统地回顾了基于LLM的文本到SQL，重点讨论四个关键方面：（1）对基于LLM的文本到SQL研究趋势的分析；（2）从多角度对现有的基于LLM的文本到SQL技术进行深入分析；（3）总结现有的文本到SQL数据集和评估指标；（4）讨论这一领域潜在的障碍和未来探索的方向。本综述旨在为研究人员提供对基于LLM的文本到SQL的深入理解，激发该领域的新创新和进展。 CCS概念：• 计算方法 → 自然语言处理；• 信息系统 → 结构化查询语言（SQL）。 附加关键词：文本到SQL、大型语言模型（LLMs）。

引言 SQL查询的利用显著提高了从多个数据库中提取数据的效率。这些数据已被有效应用于多个重要领域，如商业智能 [80] 和医疗分析 [78]。虽然技术专业人员擅长处理SQL查询，但数据库的自然语言接口（NLIDB）使得非技术用户也能够无缝地从结构化数据库中提取信息 [20]。这种便捷性显著推动了文本到SQL系统的发展，这些系统能够自动将自然语言（NL）查询转换为有效的SQL查询。为了说明这一点，我们考虑一个简单的数据库，如图1所示，包含一个名为“cities”的表格，表中有“country”、“city_name”和“population”三列。通过使用文本到SQL系统，用户输入类似“Identify all cities in the UK with populations over five million”的查询，将其转换为以下SQL查询：“SELECT city_name FROM cities WHERE country = ‘UK’ AND population > 5000000”。生成的SQL查询随后在给定数据库中执行，返回的结果（如“[London]”）将反馈给用户。整个过程简化了不熟悉SQL的用户对信息的访问。

近年来，自然语言处理（NLP）领域出现了重大突破，随着大型语言模型（LLMs）的出现 [1, 38]，这些模型具有前所未有的处理和生成类人语境的能力，受到了广泛关注 [12, 145]。随着LLM的不断发展，新的能力开始显现，例如零-shot学习 [132]、few-shot学习 [108] 和指令跟随 [136]。鉴于这些能力，基于LLM的文本到SQL方法逐渐崭露头角，尤其是基于上下文学习（ICL-based） [89] 和微调（FT-based）技术 [63] 的方法。因此，研究人员有必要系统地理解基于LLM的文本到SQL的关键方法、挑战和未来方向。鉴于这一重要性，我们对2022年4月到2024年10月期间发表的92篇相关文献进行了系统概述，并选择了2017年到2024年10月间关于文本到SQL的开源数据集和评估指标。通过考察基于LLM的文本到SQL的发展趋势，并从多角度审视一系列研究成果，我们旨在概述潜在的挑战和未来研究的方向。 总之，本综述的贡献包括： • 研究趋势分析：我们对所调查的文献进行了分析，识别出研究趋势，包括按出版日期、出版平台和主要贡献类型进行的分类。 • 文献概览：我们将基于LLM的文本到SQL研究分为三大类：方法论、数据集和评估指标。每一类别都按顺序介绍，为读者提供系统的概述。 • LLM方法的新分类法：我们提出了一种新的SQL生成方法分类法，将其分为四种主要范式：预处理、上下文学习、微调和后处理。每个领域根据特定的模型设计进一步细分，提供了对当前创新的系统回顾。 • 数据集和评估指标概述：我们对现有的文本到SQL任务的数据集和评估指标进行了概述。 • 当前挑战与未来方向的讨论：通过对所调查文献的分析，我们识别出当前研究中的几个重要障碍。此外，我们还讨论了未来研究的关键方向，为开发更健壮、高效和可靠的系统提供指导。 本文的其余部分安排如下：第二部分介绍了文本到SQL模型的发展，强调了使用LLM进行SQL生成的原因。第三部分概述了我们的系统文献综述方法。第四部分考察了基于LLM的文本到SQL研究趋势。第五部分探讨了现有的方法论，并将其分类为预处理、上下文学习、微调和后处理范式。第六部分回顾了现有的文本到SQL数据集和评估指标。第七部分讨论了文本到SQL中的当前挑战和潜在的未来研究方向。第八部分分析了我们研究的有效性威胁，第九部分总结了本综述。我们希望本综述能够为当前进展提供清晰的全景图，并激发未来在基于LLM的SQL生成领域的探索。

图数据库已经成为管理复杂且互联数据的重要工具，这类数据在社交网络、生命信息学和推荐系统等领域中尤为常见。与传统的关系型数据库不同，图数据库提供了一种更自然的方式来建模和查询复杂的关系，使其在处理互联数据时，尤其是在要求灵活性和高效性的应用中，表现得尤为出色。 尽管图数据库的使用日益增加，但它们仍面临显著的挑战。一个主要的问题是图数据的不规则性，通常表现为结构稀疏，例如在邻接矩阵表示中，这可能导致数据读写操作的低效。其他挑战包括基于遍历的查询的高计算需求，特别是在大规模网络中，以及在分布式图环境中管理事务的复杂性。此外，依赖传统的集中式架构也限制了在线事务处理（OLTP）的可扩展性，因竞争、CPU开销和网络带宽限制而产生瓶颈。 图数据库在处理跨多个领域的大规模数据集方面的日益重要性——例如医疗保健、工业、人工智能（AI）、生命科学、社交网络和软件工程——是本研究的动机。应对它们面临的挑战需要高效的查询语言和优化的存储解决方案，以提高其整体性能。

本文对图数据库进行了详细的调研。首先，分析了属性模型、查询语言和存储架构，概述了用户和开发者通常涉及的基础内容。接着，本文提供了图数据库技术最新进展的详细分析，评估了这些技术在架构、部署、使用和开发等关键方面的表现，这些方面共同定义了图数据库解决方案的能力。 我们对多个图数据库系统和调研进行了全面分析，以揭示该生态系统中的关键细节。同时，我们列出了多种特性，以帮助开发者和研究人员识别他们使用案例的具体需求以及适合的技术。 展望未来，随着数据量的不断增长，特别是在人工智能领域，图数据库有望继续发展。接下来的十年，预计将出现一些令人兴奋的趋势，主要表现在已有的商业公司及其优先关注的特性上。 关键词：图数据库；图查询语言；图存储架构；图模型与表示

图数据库在处理复杂且互联的数据方面变得愈加重要，这类数据广泛应用于社交网络、生命信息学、推荐系统等领域 [1, 2]。与传统的关系型数据库不同，图数据库为复杂和相互关联的数据提供了一个更直观的模型，使其特别适用于需要高效且灵活地建模和查询复杂关系的应用。 本研究的动机来源于图数据库在处理大规模数据方面的日益重要性，尤其是在多个领域中（如健康 [3]、工业 [4]、人工智能（AI） [5]、生命科学 [6]、社交网络 [7]、网络分析 [8] 和软件工程 [9]）的各种使用案例，以及在这一背景下对高效查询语言和存储解决方案的需求。 在过去十年里，图数据库生态系统的复杂性不断增加，生态系统蓬勃发展，许多新的商业产品往往受益于社区的参与。选择适当的解决方案需要理解图存储、图表示、查询语言和系统架构方面的知识。这样的知识对于正确引导问题至关重要，能够帮助行业和学术界的技术决策者识别其使用案例。 性能和较低的处理成本固然重要，但数据本地控制的能力或高质量文档的提供同样重要。一个开源社区，其成员能够快速迭代想法并解决问题，可以减少技术采纳的障碍，并显著加速开发任务。本文旨在阐明这些以及其他方面，并观察不同图数据库系统是否以及如何考虑这些方面，这些系统是我们从生态系统中识别出来的一个详尽列表的一部分。

尽管图数据库的应用日益广泛，但仍然存在若干挑战。例如，图数据的非规则性，如其结构的稀疏性（例如，表现为邻接矩阵的概念）可能导致数据读写的低效。其他挑战包括基于遍历的查询的高成本，尤其是在大规模网络中，以及分布式图环境中事务处理相关的问题。此外，传统的集中式系统架构往往限制了图数据库中在线事务处理（OLTP）的可扩展性，带来了竞争可能性、CPU开销和网络带宽等方面的瓶颈。 本文提供了图数据库的全面调研，首先聚焦于属性模型、查询语言和存储架构，以框定用户和开发者通常需要处理的主要方面。接着，我们根据上述方面以及一些更广泛的维度（或领域）对图数据库的最新研究进行了深入分析，每个领域体现了图数据库解决方案架构、部署、使用和开发中的关键特性（或方面）。这些维度包括支持、许可、编程模型、操作系统、部署、数据表示、并发性、性能、安全性、可扩展性、容错性或集成等。本文的其余部分安排如下：第2节介绍了相关的图模型和查询语言，因为这些模型和语言在选择符合消费者使用案例和能力的图数据库时起着决定性作用。第3节描述并展示了在实际图数据库解决方案中应用的各种存储架构的优势，从非结构化到先进的架构都有涉及。接下来，我们在第4节介绍了每个调研的图数据库，开头是对每个图数据库进行评估的特性，并将其分类到相应的类别中。我们还分析和讨论了之前列出的图数据库及其能力。由于图数据库研究领域已经相当丰富，接下来的第5节我们推荐了相关工作，最后在第6节总结了我们的调研。

大型语言模型（LLMs）的最新进展增强了自然语言推理。然而，它们有限的参数记忆和易受幻觉影响的特性，在需要准确的基于上下文推理的任务中仍然存在持续挑战。为了克服这些限制，越来越多的研究提出了利用外部知识来增强LLM的方法。本研究系统地探索了使用外部知识增强LLM的策略，首先通过一个分类法将外部知识分为非结构化数据和结构化数据。接着，我们重点讨论结构化知识，提出了表格和知识图谱（KGs）的不同分类法，详细介绍了它们与LLM的集成范式，并回顾了具有代表性的方法。我们的比较分析进一步突出了可解释性、可扩展性和性能之间的权衡，为开发可信且具有普适性的知识增强LLM提供了洞察。

引言

大型语言模型（LLMs）的进展（Radford 等，2019；Brown 等，2020a；Achiam 等，2023；Touvron 等，2023a,b；Grattafiori 等，2024）显著推动了自然语言处理的进步。这些模型在自然语言理解、生成和推理方面表现出色。然而，它们仍然面临若干限制，促使研究人员将外部知识整合到模型中，以提高性能、可靠性和可解释性。 主要的限制包括：1）由于训练数据的截止，知识过时；2）幻觉问题（Huang 等，2025）；3）缺乏领域特定的专业知识；4）响应缺乏透明度。为了解决这些问题，研究人员正在通过在推理过程中引入外部信息，将LLM转变为具有知识感知的助手。尽管在这一领域取得了快速发展，但知识增强LLM推理的格局仍然是碎片化的，不同的数据模态和领域的方法不断演变。这些方法大多遵循检索-增强-生成（RAG）框架（Fan 等，2024），该框架专注于检索相关的外部知识，通过模型的内部理解进行增强，并生成响应。由于这种方法在减少幻觉的同时保留了LLM的生成能力，它已成为主流。 本文首先介绍了知识来源的分类法，将其分为结构化（Zhang 等，2024；Pan 等，2024；Dagdelen 等，2024）和非结构化（Gao 等，2024；Yin 等，2024；Selmy 等，2024）形式。我们主要关注结构化数据，因为它具有明确的关系和推理能力，回顾了利用表格和知识图谱（KGs）数据的相关方法。这包括符号推理（Rajkumar 等，2022；Nahid 和 Rafiei，2024a）、神经推理（Wang 等，2024）和混合推理（Nahid 和 Rafiei，2024b；Zhang 等，2025；Nguyen 等，2025）用于表格数据的处理，以及松散耦合（Baek 等，2023；Li 等，2024b；Wu 等，2023）和紧密耦合（Sun 等，2024；Ma 等，2025；Chen 等，2024）用于知识图谱的集成方法。我们通过比较这些方法的优势、局限性和主要权衡，总结了它们的特点。 通过关注知识集成，我们强调的是在推理过程中增强LLM的方法，而非预训练或微调。这种方法需要较少的资源，并允许动态响应，因为外部知识可以根据需要实时添加，而无需重新训练，同时保持模型性能。 本综述的主要贡献包括： • 对外部知识来源和集成策略的全面分类，特别关注表格和知识图谱（KGs）。 • 通过基准实验对代表性方法进行比较分析，突出其优缺点和权衡。 • 提供实践性见解和指导，为未来的知识增强LLM研究提供参考。

随着全球国防力量从消耗战策略转向数据驱动的外科手术式行动，精确制导武器（PGM）已成为现代军事战略的基石。该市场预计将从2025年的372.4亿美元增长至2030年的497.1亿美元——PGM不仅是武器，更是实现战略精确打击、战术机动性及作战主导权的赋能者。

在此演进格局中，PGM提供的远非精准打击能力。其代表人工智能、先进传感器与全域联动整合的融合，深刻变革国家应对威胁与施展武力的模式。

​​

冲突的现实演变​​

战争本质正在转变：大规模部队部署与无差别轰炸时代已终结。当今冲突要求：

• 速度优于规模
• 精准替代消耗
• 自主超越指令依赖

PGM以其快速响应、自适应及最小附带损伤的打击能力精准回应这些需求。无论针对高价值资产、时效敏感目标，还是在GPS拒止环境中消除威胁，智能弹药均提供现代战场亟需的精确打击能力。

技术作为力量倍增器​​

精确制导武器（PGM）已超越单纯制导系统范畴，正发展为全集成智能武器体系：

• ​​多模制导技术​​：融合GPS、激光、惯性与成像制导系统，实现全天候全域精确打击
• ​​网络化接战能力​​：与情报监视侦察（ISR）资产及C4ISR平台集成，支持实时重定目标与任务更新
• ​​AI驱动自主决策​​：智能PGM搭载机载处理器，在通信受阻或延迟时独立完成目标锁定决策
• ​​模块化载荷​​：面向未来的PGM配备可换装战斗部，灵活应对反装甲、反舰、钻地爆破及电磁脉冲（EMP）投送等多元任务

全域战略价值​​

• ​​空中领域​​：从远程巡航导弹到无人飞行器（UAV）投放的智能炸弹，空射型PGM构成先发打击与威慑任务的前锋
• ​​陆上领域​​：精确火炮与游荡弹药增强战场敏捷性并降低后勤负担，尤适于分布式混合战争场景
• ​​海上领域​​：反舰导弹与掠海飞行PGM强化海军力量投射与海域拒止能力，在印太争议水域尤为关键
• ​​太空集成​​：新一代PGM将与天基监视通信网络协同运作，提升目标锁定精度

​​谁在驱动市场？​​

• ​​北美地区​​：凭借巨额防务预算与强大工业产能主导市场，美国引领全球PGM研发部署创新。
• ​​亚太地区​​：受区域紧张态势及中、印、韩、澳军事现代化推动，成为增长最快市场，高度重视本土生产与战略自主权。
• ​​中东地区​​：区域冲突叠加制空权与无人机作战需求，催生对精确打击工具的高度依赖。
• ​​欧洲地区​​：北约协同要求与乌克兰战争触发PGM投资复苏，尤聚焦防区外导弹与制导炮弹。

​​未来展望：PGM发展何去何从？​​

• ​​高超声速精准打击​​：速度超5马赫的新一代PGM将重塑打击时间线与战略威慑可信度。
• ​​巡飞弹药崛起​​：弥合无人机与导弹界限，主导非对称作战与城市战场。
• ​​集群集成作战​​：人工智能联动的PGM集群协同打击，成为饱和环境中的力量倍增器。
• ​​绿色军事科技​​：行业正探索生态友好型PGM，降低环境足迹并采用可复用制导模块。

​​未来趋势：智能武器时代已至​​

未来战争正走向​​精确化、智能化、网络化​​，精确制导武器（PGM）正是这场变革的核心驱动力。

对各国防务部门、主机制造商、系统集成商及研究机构而言，信号清晰：投资智能弹药，或面临战场淘汰风险。向PGM转型不仅是技术变革——更是21世纪战争的​​战略刚需​​。

参考来源：Ravi L Chavan

无人机技术的飞速发展深刻变革了民用与军事领域，催生出从商业配送到战场侦察的广泛应用场景。然而无人机的滥用已引发重大安全威胁，亟需发展强健的反制系统。本文全面审视反无人机技术与防御战略，深入探讨无人机的崛起、其军民两用潜力及日益增长的反制需求。研究梳理反无人机技术的演进脉络，对现役系统进行分类，并剖析相关事件案例研究。同时揭示无人机威胁与反制方案部署间的内在关联，区分军事与民用防御框架，强调无人机滥用对国家安全及公共安全的深层影响。本文系统论述当前防御战略、技术挑战及复杂的监管格局，最终提出未来反无人机技术发展与部署路径，旨在提升政策制定者与技术专家对这类系统在国防体系关键作用的认知。

图：无人机扩散使国家安全面临严峻挑战，反制系统研发刻不容缓。本研究审视技术、冲突与区域安全的相互关联，强调需构建强健战略以应对暴力根源及无人机威胁的双重挑战。

​​无人机激增​​已深刻变革从民用娱乐到军事侦察的众多领域，然而其广泛普及也引发全新安全威胁。无人机可被恶意用于实施物理/网络攻击、侵犯隐私及破坏关键基础设施[1]。这些威胁促使反无人机系统迅速发展，旨在探测、追踪、识别并消除无人机风险。围绕民用无人机的安全、隐私及公共安全问题已引发广泛研究：无人机可收集敏感信息、干扰公共活动甚至向目标地点投送载荷，构成多重物理与网络威胁[2][3]。此类入侵行为可能导致破坏性事件或敏感信息泄露，凸显高效反制技术的迫切性。为此，学者已探索包括先进传感系统、信号干扰及自主反制措施在内的多种技术方案[4]。

​​A. 研究动因​​

​​1) 无人机作战​​

现代战争涉及的无人机系统涵盖军用无人机、商用无人机、海上及地面无人机等多种机器人平台。其攻击方式包括投掷炸弹、发射导弹或采用自杀式撞击攻击指定目标[5]。

• ​​美国无人机打击​​：自2000年代初，美军是无人机打击的主要实施者，尤其在阿富汗、巴基斯坦、叙利亚、索马里、也门和利比亚等伊斯兰国家冲突区频繁使用空对地导弹[6]。但无人机作战现已超越美国范畴，俄罗斯、乌克兰、土耳其、阿塞拜疆等国均采用该技术。非国家行为体（如胡塞武装）亦日益依赖无人机作战[7]。表1援引调查新闻局（BIJ）数据，揭示2004年1月至2020年2月美国无人机打击的显著规模（注：巴基斯坦数据仅含美军行动，也门/阿富汗/索马里数据涵盖空袭、导弹攻击及地面行动）。

• ​​​​伊斯兰国无人机袭击​​：近年小型无人机与四旋翼飞行器在武装行动中应用激增，伊斯兰国在伊拉克和叙利亚的作战尤为突出。摩苏尔战役期间，该组织成功使用无人机投掷轻型炸药及40毫米榴弹，对伊拉克士兵造成重创。同步实施的无人机攻击还针对军用物资补给，极大增加防御难度[13]。2017年联邦调查局（FBI）局长克里斯托弗·雷在参议院听证会强调：恐怖组织对无人机的多用途化展现出明确意图。尽管国防系统曾观测伊斯兰国将无人机用于宣传（如航拍素材收集），但其在军事场景的破坏潜力已引发日益严峻的担忧[14]。

• ​​2020年代扩散态势​​：无人机在现代战争中战略地位显著提升，标志军事战略重大转变。2018年俄军在赫迈米姆空军基地成功抵御首次无人机集群攻击，象征作战模式进入新时代[15]。2020年利比亚冲突中，搭载人工智能的土耳其制无人机自主攻击哈夫塔尔将军部队，成为全球首个公开确认的AI驱动无人机打击[16][17]。无人机还在纳戈尔诺-卡拉巴赫战争（2020年）中发挥关键作用——阿塞拜疆借助无人机有效打击亚美尼亚部队，土耳其在叙利亚内战中的无人机应用更奠定未来战争范式。2022年10月，乌克兰米格-29战机遭伊朗"沙希德-136"无人机击落，凸显无人机对有人战机的威胁[7]。俄乌战争爆发后，乌克兰通过"无人机军团"计划加速扩编产能，30余家企业量产无人机，力争2023年生产20万架对抗俄军，并通过竞赛激发创新[18]。标志性成果"芭芭雅嘎"六旋翼无人机载重达44磅（约20公斤），印证作战无人机的持续进化[19][20]。

• ​​​​阿塞拜疆无人机作战​​：2020年纳卡冲突期间，阿塞拜疆使用以色列IAI"哈洛普"与土耳其"巴伊拉克塔尔TB2"作战无人机打击亚美尼亚部队[21][22]。2020年10月，因"巴伊拉克塔尔TB2"被指控用于情报收集与打击引导，加拿大中止对土耳其军用无人机技术出口。土耳其阿塞尔桑公司随即推出国产化信用追踪系统替代加拿大MX-15B光电设备[23]。

• ​​​​俄乌战争应用​​：2022年俄罗斯入侵乌克兰期间，无人机在作战与侦察中至关重要。乌军使用土耳其制"巴伊拉克塔尔TB2"实施打击，俄军则运用伊朗HESA"沙希德-136"无人机执行导弹攻击[24]。侦察与炮兵校射构成无人机主要功能，俄军曾使用"阻滞者"反无人机步枪拦截乌军无人机[25]。2022年末乌军大疆"御"系列无人机撞击俄军无人机，开启史上首次无人机间对抗[26][27][28]。2023年5月俄军应征士兵向乌军无人机投降事件引发关注[29]。无人机与防御系统的成本失衡显著，乌军耗资数百万美元抵御俄无人机攻击。乌军还装备搭载星链系统的黑色海事无人机袭击俄黑海舰队，2022年10月成功打击塞瓦斯托波尔海军基地[30][31]。2023年乌军创新采用硬纸板无人机执行空中侦察[32]，至2024年已改装有人战机击落俄军无人机并参与无人机空战[33]。2024年7月乌军FPV无人机摧毁俄军直升机，创战争史首例纪录[34][35]。

• ​​​​2023年加沙战争​​：2023年10月7日哈马斯突袭以色列南部，使用商用无人机攻击以军哨塔后突破边界墙。网络视频显示以军士兵及"梅卡瓦IV"坦克遭无人机摧毁[36][37]。

​​史上最大规模无人机袭击​​：2024年4月14日以色列加沙战争期间，全球见证史上最大规模无人机攻击——伊朗发- ​​射逾185架无人机在数小时内对以境内多目标实施协同打击。此次史无前例的袭击系报复以色列数日前轰炸伊朗驻大马士革领事馆。

当前亟需高效反无人机系统与防御战略。随着无人机技术演进及国家/非国家行为体的广泛获取，国防体系必须升级应对日益严峻的威胁。无人机突破传统防御机制的能力及其协同高烈度打击的潜力（如史上最大规模袭击案例），凸显发展先进反制系统对捍卫国家利益与安全的极端重要性。

2) 无人机作战应用与战争演进趋势​​

无人机在战争中的应用已从最初的情报、监视与侦察（ISR）任务，逐步演变为攻防作战的关键工具，这一转变在2003年后伊拉克战场表现尤为显著（图1展示该地区军事行动演进历程）。

无人机作战的崛起不仅重塑军事战略，更为全球防御体系带来严峻挑战。乌克兰等冲突区域印证了其变革性影响：无人机从单纯的监视工具蜕变为高效攻击武器，形成涵盖消费级（业余）无人机、商用无人机、军用级系统及"恶意无人机"的完整谱系。消费级（业余）无人机体积小、价格低、航程短，主要用于娱乐活动，存在隐私轻微侵犯、意外干扰、事故风险及潜在骚扰等问题；商用无人机专为配送、勘测等商业场景设计，中等体积下航程可达20公里，有效载荷10公里，主要风险在于敏感信息未授权获取；军用无人机专为监视、侦察和作战打造，重型设计具备长航程优势，通过先进传感器与摄像头在避免人员伤亡的前提下收集情报，主要风险是国家冲突中的附带损伤；恶意无人机则指未注册且怀有恶意的未授权操作设备，用于非法监视、干扰商业/军事活动、走私、网络攻击及实体攻击等非法行为。表2所示的能力谱系凸显无人机技术催生的安全威胁日益复杂化，标志着现代战争演进进入新纪元。

多元化的无人机能力使国家与非国家行为体均可利用空域防御漏洞，引发对现有反制措施有效性的深度忧虑。因此，各类无人机催生的新型威胁亟需创新性自适应防御策略，以维护国家安全与关键基础设施。

​​无人机威胁概述​​

本节首先探讨无人机技术的演进历程，继而分析其在防御场景中构成的威胁，最后汇总全球无人机事件案例并按攻击类型进行分类总结。

​​A. 无人机技术演进​​

无人机技术的演进以自主性、传感器集成及通信系统的重大突破为标志。早期为军事应用开发的无人机，现已扩展至农业、物流、环境监测等民用领域。人工智能创新、元器件微型化及连接性能提升（尤其5G及新兴6G网络的兴起），推动无人机实现复杂自主作业。这些进展为无人机在智慧城市、灾害管理等场景发挥关键作用奠定基础，彰显其在商业与公共服务的双重潜力。表6详列无人机技术发展历程与突破。

​​B. 潜在安全威胁​​

本节重点阐述无人机在国防领域构成的多维度威胁。

​​1) 监视与情报搜集 ​​
​​间谍活动​​：无人机可执行隐蔽侦察，通过高清图像、视频或传感器数据搜集军事设施、部队调动及关键基础设施情报。 ​​边境监控​​：无人机可突破国界实施无痕监控，对敏感区域实施长期监视并向敌对势力实时回传数据。 ​​网络间谍​​：搭载黑客工具的无人机可拦截无线电信号、雷达系统及其他无线网络的通信数据。

​​2) 武器化攻击​​

​​直接打击​​：配备导弹、炸弹等武器的无人机可远程或自主攻击军事资产、政府建筑及民用设施，显著提升追踪拦截难度[79]。 ​​自杀式无人机​​：亦称游荡弹药，具备长时间滞空能力，在识别目标后实施撞击攻击，造成类似导弹的毁灭性效果[5]。 ​​生化武器投送​​：经改装的无人机可在大范围播撒化学/生物制剂，无须正面交锋即可造成大规模伤亡[80]。

​​3) 破坏与物理摧毁​​

​​基础设施破坏​​：装备爆炸物或燃烧装置的小型无人机可瘫痪电厂、通信节点及交通枢纽等关键设施[81]。 ​​供应链中断​​：通过对物流中心、港口或运输车队的攻击，无人机可阻断重要物资与军事装备输送，瓦解作战能力[82]。

​​4) 电子战与通信干扰​​

​​GPS欺骗与干扰​​：搭载电子战系统的无人机可干扰/欺骗导航信号，影响军用及民用载具的陆海空导航[83]。 ​​信号截获阻断​​：可拦截或阻断无线电频段、蜂窝网络及卫星通信，致使作战部队在关键时刻陷入孤立混乱。

​​5) 心理战 ​​ ​​威慑震慑​​：武装或监视型无人机的存在即可引发军民的深度心理压力，持续空袭威胁导致恐慌情绪蔓延与士气溃散[84]。 ​​虚假宣传​​：无人机可投送宣传资料或成为武力威慑符号，通过打击威胁操纵舆论导向或迫使敌方投降。

​​6) 集群协同攻击​​

​​蜂群战术​​：多无人机自主协同攻击可压制传统防御体系，对重点区域实施饱和打击造成广泛破坏[85][86]。 ​​诱饵策略​​：无人机群可作为佯攻力量消耗防御资源，掩护其他方向的主攻部队（含常规武力或无人机编队）实施致命打击[87]。

​​7) 反制防御措施 ​​ ​​规避探测​​：通过隐身技术、微型尺寸及低空飞行特性，无人机可规避传统雷达与防御系统探测[78]。 ​​多级攻势​​：同步实施网络攻击与常规打击的多层威胁，大幅削弱防御体系效能。

​​威胁综述​​：无人机在国防领域形成多维复合型威胁。其情报搜集、直接打击、设施破坏与心理威慑能力，对现代军事体系构成严峻挑战。应对此类威胁需发展强健反无人机系统，完善监管框架并研发先进反制技术，以应对不同复杂层级的无人机威胁。

反无人机系统​​

反无人机系统系指用于探测、追踪、识别及消除未授权或危险无人机的技术集合，旨在保护空域、敏感区域及关键基础设施免受恶意无人机侵害。

​​A. 反无人机系统演进历程​​

反无人机系统的发展可追溯至无人机扩散初期，其时对有效反制措施的需求已日益凸显。随着无人机事件激增，应对该威胁的先进技术需求持续强化。

2000年代初期的早期反制技术主要聚焦无人机探测领域：军用级雷达系统经改造应用于小型无人机探测；射频（RF）探测系统（如Aaronia公司产品）通过识别无人机独特射频特征实现定位[95]；基于高功率摄像机与目标识别软件的视觉追踪系统亦被启用。然此类早期系统常面临精度不足及难以区分无人机与鸟类等小型飞行器的局限[96]。

2010年代中期消费级无人机兴起推动探测系统升级与干扰技术诞生。DroneShield与Blighter Surveillance Systems等企业推出融合雷达、射频探测及声学传感器的综合系统提升精度；利用射频信号切断无人机与控制端通信链路的电磁干扰技术日益普及[97]。但早期干扰技术仍受制于有效距离短及可能影响合法无线电频段的缺陷。

至2020年代，机器学习与人工智能的集成显著提升反无人机系统效能。先进技术实现更精准自主的无人机识别与消除：例如机器学习算法可实时分析传感器数据，较传统规则系统更准确区分无人机与鸟类[98]；人工智能赋能的自主决策系统无需人工干预即可实施目标打击，在紧急态势中缩短响应时间降低风险[99]。现代系统通过融合多技术构建分层防御策略提升可靠性。

当前反无人机系统整合红外探测、声学传感器及先进雷达等多元探测手段，配合动能拦截弹、电子干扰器与定向能武器等消除技术[96]，并嵌入机器学习算法优化目标识别。但动能拦截与定向能武器的使用引发伦理与法律争议——其在民用环境可能造成附带损伤及不可控影响[100]。

​​B. 反无人机系统分类​​

反无人机技术领域在无人机技术升级的驱动下持续快速发展。随着无人机技术扩散，研发并部署高效、安全且伦理合规的反制措施对保障空域及关键基础设施安全至关重要。为应对日益严峻的挑战，反无人机系统已根据其探测方式、反制手段及法律监管框架进行分类（详见表8）。此外，表9对比分析不同系统的性能参数（含作用距离、精度、运行成本及环境约束要求），其设备实物如图3所示。

表8反无人机系统分类

表9不同的反无人机系统

C. 反无人机系统架构​​

反无人机系统架构通常包含三大核心组件：探测、识别与反制。探测组件通过雷达、红外、声学、光学及射频等传感器技术识别特定空域内的无人机存在。这些传感器协同构建综合监控体系，精准探测并追踪监控区域的无人机动态。作为系统基础层，探测组件负责潜在威胁预警，实时提供无人机位置、高度及速度信息，支撑系统有效响应与风险消除[106]。

​​1) 探测方法​​ 反无人机系统采用多类探测方法识别追踪无人机。表10详列各类方法的工作原理、能力边界、技术局限及作用距离。

​​2) 识别系统​​ 识别组件负责确定已探测无人机的具体特性与能力。该子系统融合信号分析、视觉辨识、动态特征分析、声学识别及光电识别技术，精确判别无人机型号、操作者及任务意图[113]。表11展示各类识别方法的工作原理、能力边界、技术局限及作用范围。

​​3) 反制方法​​ 反制组件负责安全高效地干扰、瘫痪或消除已探测的无人机。表12列明各类反制方法的工作原理、能力边界、技术局限及作用距离。

本文提出LiSWARM系统——一套基于低成本激光雷达的大型无人机群单机探测追踪方案。相较于依赖射频、声学或RGB图像特征的现有先进无人机追踪系统，LiSWARM能在三维空间实现鲁棒精确的无人机定位识别。该系统包含四大核心技术：(1)高效点云数据处理流程；(2)优先级感知聚类算法（从背景噪声中分离集群数据）；(3)基于神经网络的可靠无人机识别算法；(4)无人机群单机轨迹追踪技术。我们开发LiSWARM原型机，通过实验室与实地测试验证性能。值得注意的是，在包含150架及500架无人机的两次灯光表演中，系统识别准确率达98%且轨迹追踪稳定可靠。为评估可扩展性，我们对15,000架无人机集群进行系统性能基准测试，结果证实该技术可延伸至战场应用、异常无人机探测、机场监狱等敏感区域安防领域。

（图1：基于低成本商用激光雷达的无人机群探测追踪技术方案）

防空在现代战争中的重要性毋庸置疑。"铅弹行动"印证了其持续相关性。印度与巴基斯坦的战斗序列中，防空系统历来占据关键地位——在双方近期军事对峙中，这些系统均经受了实战检验。本简报概述两国防空体系，着重对比其陆海空三军防空系统采购与整合的相对优势。印巴防空系统在"铅弹行动"中的表现，或将决定两国后续能力强化方向。

印度防空体系

1. 弹道导弹防御

印度弹道导弹防御计划（BMD）始于1995年巴基斯坦获取M-11导弹之后，该计划在1998年巴核试验及1999年卡吉尔战争后加速推进。国防研究与发展组织（DRDO）于2019年4月完成第一阶段研发，第二阶段正在进行。第一阶段包含应对巴基斯坦弹道导弹威胁的大气层内拦截能力，第二阶段则聚焦防御导弹的大气层外拦截能力。印度BMD采用双层系统，可拦截射程2000公里内的来袭弹道导弹（第二阶段扩展至5000公里）。为实施高空拦截，印度1990年代开始研发"普里特维"防空系统（PAD），2006年完成测试。PAD原则上可拦截射程2000公里、高度80公里、速度5马赫的弹道导弹。第二层"先进防空系统"（AAD）同样于2006年测试成功，负责30公里以下低空威胁防御。印度已战略部署PAD和AAD拦截弹，覆盖德里、孟买等要地及核设施、航天基地。作为BMD第二阶段计划，印度正研发2017年完成测试的"普里特维防御载具"（PDV），可拦截100公里高度的大气层外目标。

（图1：印度多层反无人机与防空网络体系）

2. 远程防空系统（覆盖半径400公里）

2.1 S-400系统
俄罗斯阿尔玛兹设计局研发的S-400"凯旋"防空导弹系统于2007年服役。印度2016年签署54亿美元协议采购五套S-400系统。作为全球最先进远程防空系统之一，S-400整合多功能雷达、自主探测瞄准系统、防空导弹系统、发射装置及指挥控制中心。其采用四类导弹构建分层防御：40公里射程9M96E短程弹、120公里9M96E2中程弹、250公里48N6DM远程弹及400公里40N6超远程弹。该系统可在400公里范围内、30公里高度内打击所有空中目标（含战机、无人机、弹道导弹与巡航导弹），5分钟内完成部署并同时追踪攻击36个目标。S-400可与印度空陆海三军现役及未来防空单元兼容。2021年起印度已接收三套S-400系统（更名为"S-400苏达山轮"），其余两套将于2026年交付。该系统构成印度当前唯一的远程防空体系。

3. 中程防空系统（覆盖半径100公里）

3.1 巴拉克-8
巴拉克-8导弹防御系统含两个版本：舰载型"远程地对空导弹系统"（LRSAM）射程达100公里，陆基型"中程地对空导弹系统"（MRSAM）射程70公里，现已列装印度陆海空三军。该系统由印度国防研究与发展组织（DRDO）与以色列航空航天工业（IAI）根据两国政府协议联合研发，印度公私营企业（含中小微企业）共同参与。2017年达成导弹销售协议后历经多次测试，最终试验于2025年4月4日完成。MRSAM系统可对战机、无人机、弹药及巡航导弹等多类目标实施要点与区域防空防御。

4. 近程防空系统（覆盖半径35公里）

4.1 阿卡什

阿卡什是由DRDO自主研制的近程机动防空系统。研发始于1983年，经多次试射后于2015年列装印陆军与空军。拦截范围30-35公里，最大作战高度18公里，可自主同时攻击战机、无人机及巡航导弹等目标。2016年印度政府批准研发"次代阿卡什系统"（阿卡什NG），射程提升至70公里，2021年及2024年成功完成测试。

4.2 SPYDER防空系统

"地对空怪蛇-德比"系统（SPYDER）是以色列拉斐尔公司与IAI旗下MBT导弹部、埃尔塔雷达部联合研制的快速反应低空防御系统，可打击战机、直升机、无人机及精确制导弹药，实施固定目标区域防空与机动部队要点防卫。系统含两种拦截弹："怪蛇-5"与"德比"导弹。

• SPYDER-SR（近程型）：射程15公里，作战高度20米至9,000米，配备四枚导弹具备全向攻击能力，目标确认后5秒内发射，支持全天候昼夜多目标同步攻击及单发/多发/连射模式
• SPYDER-MR（中程型）：射程35公里，作战高度16-20公里，配备八枚导弹及IAI/埃尔塔MF-STAR先进监视雷达

印度2009年采购18套SPYDER-MR系统及750枚"怪蛇-5"与"德比"导弹。2019年巴拉科特空袭后，该系统曾击落巴基斯坦 surveillance 无人机。此外，印度仍保有S-125伯朝拉、萨姆-8壁虱（9K33 Osa-AK）、萨姆-6立方体（2K12 Kub/Kvadrat）等苏制近程防空遗产系统。DRDO正在研发射程25-30公里的"快速反应地对空导弹系统"（QRSAM），预计将集成至印度防空体系。

5. 超近程防空系统（覆盖半径10公里）

印度装备射程不足10公里的超近程防空系统，主要用于保护步兵及坦克部队免受敌机威胁，亦可对抗无人机。此类系统多为苏俄遗留导弹及高炮装备，包括2K22通古斯卡弹炮系统、L-70高射炮及ZSU-23-4石勒喀河自行高炮。印度还采购俄制便携式防空导弹（MANPADS），含"针-M"及其升级版"针-S"——2024年4月印军新购入一批"针-S"。国防研究与发展组织（DRDO）正在研发国产超近程防空系统（VSHORADS）。

5.1 监控与协调体系

弹道导弹防御网络的任务控制中心（MCC）通过覆盖500公里以上的远程跟踪雷达（LRTR）网络持续监控印度空域，实现超远距离威胁识别追踪。该系统含：

• 两部以色列航空工业（IAI）制造的EL/M-2080"绿松"雷达（2000年代初出口印度）

• 两部印度特许生产的同型雷达（代号"剑鱼"）

这些有源电子扫描阵列（AESA）远程跟踪雷达初始探测距离600公里（据报道已提升至1500公里）。任务控制中心还接收印度空军与国家技术研究组织ELM-2090"大地"系统（同样购自以色列）的远程预警数据，以及空军空中预警与控制系统（AEW&C）情报。

由DRDO研发的"内特拉"AEW&C作为"系统之系统的力量倍增器"，可探测追踪敌机/无人机，具备240度雷达覆盖范围（探测距离200公里）。印度另运营三套以色列IL-76平台"费尔康"空中预警与控制系统（AWACS），实现360度雷达覆盖（探测距离400公里）。

印度空军的综合空中指挥控制系统（IACCS）与陆军的"阿卡什提尔"系统协同强化空域监控：

• IACCS：自动化防空指挥控制中枢，负责空军作战监控，当前九处节点覆盖全印空域，整合多数空军雷达、民用雷达及预警机数据，生成融合空情图并分发至武器控制中心

• 阿卡什提尔：巴拉特电子公司（BEL）为陆军研发的防空控制报告系统（2023年3月签署价值200亿卢比合同），实时融合雷达与通信数据提升决策效率。该系统自动化防空操作降低人工干预，增强关键任务响应速度。车载设计赋予其机动灵活性，截至2024年9月BEL已交付超100套。当前印军正推进其与IACCS系统集成，2025年1月已完成首处站点整合。

随着自主机器人能力提升并日益融入社会生活，用户交互方式、机器对人的感知机制及其对人类意图的理解能力成为关键课题。当用户需同时操控多台机器人时，这一挑战的复杂性将显著增加。

自主作业中常需人工介入，尤需复杂决策或存在安全隐患的场景。因此，多智能体系统的人机交互方法成为重要研究方向——这类交互应兼具直观性、高效性与安全性。本研究提出新型"集群人机交互界面（HSI）"，通过手势控制与触觉反馈实现在密闭空间内操控四旋翼无人机群。该界面在保障操作者安全的同时，显著降低集群控制的认知负荷。

人机交互界面（HRI）旨在优化人机通信机制，以直观友好方式增强用户对机器人的指挥协作能力。核心挑战在于赋予移动机器人系统环境中的用户定位与交互能力：定位需获取用户相对于机器人的位姿（位置与朝向），这对近距离交互或共享空间导航至关重要。我们提出创新方法，可实时获取用户位姿及其他人机交互所需人体参数。

另一挑战在于将HRI与HSI范式扩展至户外场景。不同于受控实验室环境，户外涉及诸多变量（如多变气象条件、静态与动态障碍物混合）。本论文设计便携式集群人机交互界面，支持操作者在户外操控多智能体系统。该便携HSI采用智能双目镜形态，用户通过其选定户外区域并分配任务，使多智能体系统在目标区域执行作业。此系统开创了多智能体作业新模式：在利用自动驾驶设备执行视距操作时，既能融合用户实地知识，又能保持其态势感知能力。