无人系统的频谱认知怎样连接感知与决策

JED 2026年8月号 Julia Andrusenko 专题深读

无人机能够接入网络、观察频谱，再运行一个学习模型，就具备认知能力了吗？把这些功能连接起来，需要比单个算法更多的系统证据。

本文根据《The Spectrum-Intelligent Sky》独立整理，从原刊的双重视角出发，解释通信分层、通感一体化与分布式学习之间的关系，并区分技术方向与已验证能力。

从平台性能转向系统关系

过去介绍无人航空系统（Unmanned Aerial System，UAS），常从航时、载荷和飞行距离入手。Andrusenko把观察位置移到了电磁环境：飞行器怎样与操作者、其他节点和外部基础设施交换信息，又怎样理解自己所在的频谱环境。这种视角把通信、感知与决策放进同一张系统图中。

原文提出的双重属性，首先是一种关系判断。同一类平台可以为基础设施巡检提供移动观测，也可能在未经授权的情况下带来运行风险。平台具备机动性，并不能单独决定它的用途；系统身份、任务权限、信息流向和可追溯记录，都会改变我们对这段活动的解释。

对于工程阅读，这一点尤其重要。把无人机简单贴成某一类技术标签，会掩盖平台内部的不同功能。飞行控制、任务载荷、导航、遥测和图像传输具有不同的信息需求，其中一部分出现异常，并不自动说明其他部分已经失效。分析必须能够落到具体功能和证据上。

本文按2026年8月原刊的讨论范围，梳理这种双重视角及其技术边界。原文给出了候选技术方向，未给出一个可以复现的完整系统。下面关于模型验收、数据质量和责任划分的讨论属于编辑解读，不能被读成原作者已经完成这些测试的声明。

连接技术需要分层阅读

图1 编辑整理的系统分层示意。承载、信息解释与判断责任相互关联，需要分别说明条件。

原文用传统遥控、商用无线链路和蜂窝融合说明无人系统连接方式的变化。这个趋势描述有启发，但不同层次的名词不能直接排成替代关系。读者需要先问清楚：某个名称指消息格式、无线承载，还是由多个功能组成的网络体系。

这里有一处值得校正的表述。原文把MAVLink与具体工作频段并列。MAVLink官方文档将其定义为用于无人系统通信的轻量消息协议；它规定消息怎样组织和交换，并不把所有实现固定在某个射频频段。承载同类消息的链路可以有不同实现。[2]

因此，“采用某协议”“连接到某网络”和“工作在某频段”回答的是三个问题。仅凭协议名推断空中接口、可用带宽或覆盖范围，容易跨过中间的实现条件。文章提到的软件定义能力也应作同样处理：可配置的范围由硬件、接口和已实现的软件共同决定。

这种分层阅读可以避免夸大迁移效果。增加蜂窝连接可能改变接入与管理方式，却不能直接证明所有控制信息更可靠。端到端运行仍依赖设备状态、网络可用性以及业务如何处理延迟和中断。原刊没有为每一种组合给出测量结果，改写时也应保留这一空白。

能看见频谱，还需要知道看见了什么

原文把飞行高度带来的视距条件，视作无人平台参与频谱感知的一个潜在优势。移动节点能够在不同位置获得观测，这与固定测点提供的信息可能互补。但“观测范围发生变化”与“判断一定更准确”之间，还隔着测量质量和信息解释。

一条频谱记录至少隐含了观测时刻、接收链状态、位置参考和数据处理方式。两次记录不同，可能来自环境变化，也可能来自测量条件变化。若这些条件没有被保存，后续模型即使给出了很明确的类别，也难以说明差异究竟从哪里来。

可以用普通设备巡检理解这种问题：移动测点发现信号强度不同，首先要确认记录是否可比较，再讨论环境的变化。这个场景说明，观测值需要与测量条件一起解释。数据形成的过程本身，就是结论可信度的一部分。

这也解释了为什么频谱感知不能只在演示界面上表现为一张彩色热图。对于可复核的系统，图上的变化应能追溯到观测及其质量描述。当信息不足时，保留“不确定”比把每条记录强行分到已有类别，更有助于保持后续判断的边界。

通感一体化的共享与代价

通感一体化（Integrated Sensing and Communication，ISAC）是原文的重要支点。它讨论如何让通信资源同时承担对环境的感知，从而把原本分开的部分功能联系起来。这里的“共享”可以涉及信号、硬件或处理资源，具体架构需要分别说明。

原刊提到利用通信波形的反射信息提取环境参数。对普通读者，可以把它理解为：同一段无线活动既承载信息，也包含传播环境留下的痕迹。要从这些痕迹形成有意义的感知结果，还需要相应的接收、同步、处理与质量判断能力。

因此，原文“无需专用雷达硬件”的措辞应理解为一种集成方向，不能扩展成所有现成通信设备都能直接获得完整感知功能。共享部分设备，仍可能带来新的处理负担和资源竞争。通信业务成功，也不能单独证明感知输出符合要求。

原刊引用的ETSI GR ISC 003 V1.1.1是2026年2月的体系架构报告，研究系统、无线接入网及低层功能的挑战与潜在方案。它提供了理解ISAC的架构背景，不能当作任意无人平台已具备相应能力的证明。[3]

认知能力要落在可追溯的闭环中

图2 编辑整理的认知闭环示意。图示强调信息与责任的衔接，不表示某一具体平台的实现。

在原文的描述里，感知信息进入决策过程，并进一步影响系统行为，才形成所谓认知能力。这个定义提醒我们：会分类、会显示、会调整，是相互关联的几个环节，却不是同一个环节。单个模型的演示不能代替整条链的验证。

从编辑视角看，闭环至少需要回答四件事：输入代表什么，解释的置信程度怎样，动作是否处于允许范围，以及执行之后用什么观察结果。图中把这四个环节放在一起，用于说明信息责任，没有给出具体平台的控制算法或实施参数。

一个常见误区，是把更快地输出答案视为闭环更好。实际系统可能收到不完整或过时的信息；模型也可能面对训练材料没有覆盖的情况。如果决策过程忽略输入质量，快速传播的只是一个尚未被证实的判断。

更有价值的能力，是系统能够表明自己依据了什么，何时应继续观察，何时应把判断交给人员复核。这种设计并不削弱自动化的意义。它让自动化有清晰的工作范围，也让后续人员可以检查一次结果为什么产生。

分类器提供证据，类别不是最终结论

原刊列举随机森林、支持向量机（SVM）等方法，用于射频信号或导航异常相关的分类。这一列举说明了可研究的工具类型，没有证明其中某一种算法在所有环境里更好。性能仍应回到具体数据、标签和评价条件。

分类任务首先需要明确标签的含义。若一组数据按设备来源标记，另一组按异常现象标记，那么两者虽然都叫“分类”，输出其实服务于不同问题。把标签混在一起，再比较一个总准确率，读者很容易误以为这些数字在回答同一件事。

对导航数据可信度的判断也是如此。识别到异常，与确定异常原因之间存在证据差距。原文提出告警、调整信任程度和额外验证等思路。公众号解读应保留这种逐步判断的结构，避免把分类器的一次输出直接写成已查明原因。

另外，资料中出现多种算法名称，并不意味着每一类都需要部署。工程团队先应确定什么信息值得保留，什么错误最影响业务，再选择表达能力和资源要求合适的方法。模型复杂度的增加，只有转化为可解释的业务收益时才有意义。

视觉与射频需要分别说明证据

原文随后提到卷积神经网络（CNN）与YOLO等视觉方法。视觉材料与射频材料具有不同的观测方式，算法名称的流行程度无法替代输入定义。读者需要看清一个研究处理的是图像、导航状态还是无线信号，而非只记住它用了人工智能。

图像里识别到一个物体，说明模型对该图像作出了分类；无线观测出现某种特征，说明接收链记录到相应现象。两类结果相互支持的程度，取决于时间、空间和对象关联是否成立。直接把两条高分结果合并成一个确定结论，会丢失关联本身的不确定性。

这类多源融合问题，最好先讲清楚信息对应关系，再讨论模型规模。若不同传感器记录的时间基准不同，一条较旧的观测可能被误认为当前状态。若数据质量标记不同，下游又可能把低质量信息当作同等可靠的证据。

这些都是对系统解释能力的要求。阅读时应辨别证据边界：某项研究究竟验证了一个输入模态上的识别，还是验证了多源信息在真实运行链条中的一致性。

学习过程与运行过程应分开交代

原刊将强化学习（Reinforcement Learning，RL）列为自主适应的一种候选方法，其基本思路是借助交互和反馈学习策略。这个方向容易让人联想到系统在运行中持续学习，但实际方案必须交代训练发生在哪里，运行时又允许改变什么。

训练得到一个策略，和允许该策略在新的环境中执行，是两类证据。前者可以说明它在给定训练与评价条件下表现怎样；后者还涉及环境变化、输入失真以及超出适用范围时的处理。原文没有提供覆盖这些问题的统一验证数据。

因此，面向公众号读者，更稳妥的表达是“具有研究和集成潜力”。如果把这种表述写成“已经解决了快速变化问题”，就把方向判断转换成了完成声明。一个算法名称不能自动填补训练材料与实际系统之间的距离。

理解这点，不需要先掌握全部优化细节。我们只需沿着资料追问：作者报告的是离线结果、受控环境演示，还是持续运行记录；每种证据覆盖哪些条件，又留下哪些未知。这样的阅读顺序能把注意力从技术标签转回可检验的信息。

联邦学习减少汇集原始数据的需求

联邦学习（Federated Learning，FL）在原文中承担跨节点学习的角色。其基本方式是让训练数据留在各节点，通过汇集本地模型更新学习共享模型。McMahan等人的早期研究清楚地区分了本地数据与交换的更新，并把通信成本列为主要约束之一。[4]

这一结构改变了信息流向，却不意味着网络里不再传输任何学习相关数据。模型更新仍需交换，参与者的设备条件与数据分布也可能不同。把它写成“零通信成本”或“天然适应所有节点”，都超出了方法定义本身。

同样，“原始数据不集中上传”说明一种数据管理安排，不能单独证明所有信息安全问题已经解决。对于普通工程阅读，我们至少应保留对参与身份、更新可信度和访问边界的追问。这些条件也需要记录在系统说明中。

原文的启发，在于把分布式平台与分布式学习联系起来。进一步判断系统是否适合这种方案，还应看到实际交换了什么、多久交换一次以及节点离线时如何保持记录一致。若资料没有回答，就应把它列为待验证事项。

多节点协作先要表达关系

原文还列举群体智能方法与图神经网络（Graph Neural Network，GNN）。前者借鉴群体协作机制，后者能够以图的形式表达节点及其关系。对读者而言，理解“关系是什么”比记住一串算法缩写更重要。

同一组节点可以形成不同的图：一张图表示哪些节点能交换信息，另一张图表示谁拥有某类观测，还有一张图表示任务的依赖关系。若图中一条边的含义不明确，所谓“学习了网络结构”就缺少可解释的对象。

移动平台使关系随时间变化，这又增加了记录与判断之间的距离。一个关系在采样时成立，到了处理完成时是否仍然成立，需要相应的时间信息才能讨论。平台数量增加也会增加信息交换和一致性维护的负担，不能只把数量视为潜在收益。

本文据此提出一个阅读原则：凡是讨论多节点协作，都应区分单节点模型的能力与整个系统的表现。局部结果相加不必然等于整体结论，资料应说明节点之间如何关联，以及哪些关联在评价中被实际检验。

数据集划分决定结果能够说明什么

一个模型在测试集上表现良好，首先说明它在这份测试材料上取得了相应结果。如果同一次采集产生的近似片段同时进入训练和测试，评价可能偏向于衡量它对已见条件的熟悉程度。对不同地点、不同时间或不同设备的表现，还需要相应材料才能说明。

这里可以借普通工业传感器举例：模型学习到的是机械状态，还是某台传感器固定的背景特征？这两个解释都可能让同一批记录容易分类，却会在更换设备后产生不同结果。把采集来源、设备和时间与标签一起保留，有助于检查模型依据了什么。

在文章审阅中，应特别区分总体统计和分组结果。某一类样本数量很多，可能使总体指标看起来稳定，而少见条件下的错误仍然突出。作者若只提供一个汇总数字，读者就无法判断改进是否覆盖了每一类输入。

因此，原文列出的机器学习方向还需要数据证据来连接。值得关注的材料包括标签如何确定、测试材料与训练材料怎样区分、异常输入怎样处理，以及错误是否能回溯到具体条件。这些问题不预设哪一种模型优越，而是让不同方案可以在相同口径下交流。

端侧部署还要面对时间与资源

对于移动平台，模型能够计算完成只是起点。输入采集、预处理、推理、结果交换和记录保存，都会占用资源。演示中只展示模型一次计算所需的时间，很容易让读者忽略其他环节对端到端过程的影响。

考虑一个普通巡检节点：它一边接收观测，一边保存原始记录并上传摘要。如果处理速度暂时落后，等待队列可能使后来显示的结论对应较早的环境。此时界面还能持续更新，但数据的新鲜程度已经变化。分析这类问题需要完整的时间记录。

计算、通信、存储和供电之间也存在相互约束。增加处理任务可能要求重新安排其他业务，长期运行条件又可能与短时演示不同。原刊没有给出某一平台的统一资源预算，本文也不将概念图中的功能块视为已经可以无代价地叠加。

从资料说明角度，最有用的是把能力与条件写在一起：测试时同时运行了哪些业务，数据来自什么环境，结果包含哪些处理阶段。这样的描述比单独强调实时或智能更具体，也让后来复核的人知道应该比较哪一段过程。

把方案说明改写成可核验的问题

原刊把多种技术方向放到同一条发展脉络中，适合帮助读者建立全局概念。若用于项目交流，还可以把这些概念转化为资料审阅问题。下面的对照表是编辑整理，并非原文提供的验收标准，也不替代具体项目的验证计划。

例如，对于“具备频谱感知”，需要看到输入数据的范围和质量描述；对于“具备认知能力”，需要看到判断怎样进入后续流程，以及流程怎样记录结果。这两句话分别要求不同证据，不能用同一张演示截图同时证明。

对于“支持多节点学习”，应区分数据留存方式、模型交换方式与运行时协同方式。三者可能使用相同设备，但并不天然构成一个已验证的整体。对每条能力声明分别追踪证据，能减少术语叠加造成的误判。

这种核验习惯也有助于控制文章的语气。对材料已经说明的事实，准确表达；对作者提出的发展方向，注明归属；对编辑补充的系统推理，交代其用途。不同层次各有价值，关键是不要在文字中把它们混成同一类确定结论。

能力表述与应查阅的证据（编辑整理）

从技术清单读出系统边界

读完这篇文章，最值得保留的认识，是无人系统的电磁能力跨越了平台、网络、数据与决策多个层次。机动性为新的观测方式提供可能，连接能力为信息交换提供条件，学习算法则帮助组织和解释部分信息。它们都需要在明确边界内发挥作用。

原作者用双重属性提醒我们，能够参与频谱环境的移动平台，也会成为这个环境的一部分。这意味着系统设计与资料阅读都不能只观察单个节点的收益，还要考虑共享资源、相互影响以及信息在节点之间如何形成结论。

工程判断可以从一个朴素的问题开始：如果界面上的结论发生变化，能否沿着记录回到最初的观测与当时的条件。能回答这个问题，说明系统至少具备了讨论其可靠性的基础；如果只能给出算法名称，仍需要补足证据。

本文保留原刊关于认知电子战的技术视野，同时把讨论落在可解释、可核验的资料层面。对于后续阅读，我们不必急于判断哪一种算法会成为最终答案，而应持续检查每一个能力声明与它实际提供的证据是否相称。

资料来源与说明

[1] Julia Andrusenko. The Spectrum-Intelligent Sky: The Dual Nature of Unmanned Aerial Systems in Modern Electromagnetic Warfare. JED, August 2026, pp.35–37.

[2] MAVLink Developer Guide：Introduction 与 Protocol Overview。用于核对消息协议的定义，不作为具体射频设备规格来源。

[3] ETSI GR ISC 003 V1.1.1（2026-02），通感一体化 系统与无线接入网体系架构。

[4] H. Brendan McMahan 等. Communication-Efficient Learning of Deep Networks from Decentralized Data. AISTATS 2017, PMLR 54, pp.1273–1282.