双机协同低空任务场景复杂地形 · 动态链路 · 边缘智能感知
蓝调科幻 × 轻军事风
CHINA COLLEGIATE COMPUTING CONTEST · 2026
MISSION SYSTEM ONLINE
LINK · ADAPTIVE
MODE · CO-INFERENCE
双锋猎鹰TACTICAL EDGE INTELLIGENCE
面向低算力无人机边缘平台，以结构感知模型切割聚合双机算力，以 CAST V2 适应动态无线链路，并通过 LoRa 心跳与轻量模型接管保障任务持续在线。
双机协同分载前端特征提取 + 后端融合检测
链路自适应CAST V2 根据通信质量动态调节
异常可接管LoRa 心跳驱动轻量模型切换
Scroll
LOW-ALTITUDE INTELLIGENCE
低空任务，正在从“空中采集”走向“机载智能”
在电力巡检、应急救援、边境巡护、交通监测、灾害评估与目标搜索等场景中，无人机正从单纯的数据采集平台，演进为集感知、计算、通信与任务响应于一体的空中智能节点。
传统“空中采集—数据回传—地面处理”模式依赖持续、稳定的高带宽链路；而单机机载推理又受到功耗、散热、内存与算力限制。“双锋猎鹰”因此提出“增强协同 + 轻量自主”的弹性感知路径。
01
协同增强
通过结构感知切割，将 YOLO26m 分为前后端两部分，在两台边缘设备之间协同运行，突破单机算力瓶颈。
02
链路自适应
细腰化模型 + CAST V2 策略，使系统能够根据链路质量动态调整传输特征的数据量与质量。
03
弹性接管
借助 LoRa 独立心跳监测与轻量 YOLO26n，在协同失效时自动切换到单机检测，保证持续输出。
04
结果可回传
检测结果、运行状态与异常信息可回传至地面站，为任务决策与可视化指挥提供支撑。
WHY IT MATTERS
低空边缘智能，真正难在多重约束同时存在
算力不足、特征体量、网络结构依赖与链路波动并非彼此独立：优化其中一项，往往会把压力转移到另一项。系统必须在精度、时延、通信与任务连续性之间进行整体权衡。
算力受限
Jetson Nano 等低功耗平台难以直接稳定承载较大检测模型，实时性与模型规模天然冲突。
特征传输过大
中间特征并不天然“轻”，层 10 的 P3/P4/P5 FP16 特征合计约 8.20 MB，远高于同尺寸 JPEG 图像。
结构依赖强
YOLO Neck 对多尺度特征依赖敏感，通信压缩不能简单粗暴地“扔掉某个尺度”，否则会破坏后端输入结构。
任务不能中断
低空链路会随距离、姿态和环境发生波动，因此系统必须具备异常检测、弹性降级与自主接管能力。
ELASTIC CO-INFERENCE
双机协同增强，单机自主兜底
以结构感知切割聚合两台边缘节点的算力，以 CAST V2 适应动态链路，再由 LoRa 心跳与 YOLO26n 完成异常接管，构成“协同增强—弱链路降级—异常接管—稳定恢复”的完整闭环。
僚机 · 前端节点
Feature Extractor
完成图像采集与 Backbone 特征提取，输出完整的 P3 / P4 / P5 边界张量。
CAST V2Channel-Adaptive Scalable Transmission
长机 · 后端节点
Neck + Detect
恢复三尺度输入，继续完成 FPN/PAN 融合、目标检测与结果回传。
LoRa HEARTBEAT · INDEPENDENT CONTROL LINK
Layer 10Backbone—Neck 自然边界
0.95候选点均衡度
YOLO26n协同失效时预加载接管
WiFi / 4G / 5G结果回传至综合地面站
CORE INNOVATIONS
四项核心创新，构成一条完整证据链
先选择结构上正确的切割边界，再从模型结构层面压缩传输规模，随后让特征质量随链路变化，最后以独立心跳与轻量模型保障任务连续性。
结构感知切割点选择算法
解析跨层连接与保存特征，将结构完整性设为硬约束，再综合计算均衡、通信开销、工程复杂度与流水线效率进行评分。在 12 个 YOLO 变体中识别 276 个候选点，最终推荐 YOLO26m 在层 10 后切分。
94.98均衡评分100结构评分77.58综合得分
细腰式原生窄口
在训练阶段同步考虑协同传输，将层 8、9、10 的通道由 512 缩窄至 256，形成紧凑的原生边界接口，无需额外引入 Encoder / Decoder。
19.31M参数量0.9243[email protected]
LoRa 异常检测与弹性接管
高速数据链路负责特征传输，低速 LoRa 链路专职状态核验。协同链路异常后自动切换至 YOLO26n 单机检测，链路稳定恢复后再回到增强协同。
CAST V2：降质量，不破坏结构
由 CAST V1 的“按尺度丢弃”迭代为 V2 的“三尺度恒在场”。链路变差时只降低数值精度与空间细节，不直接移除 P3 / P4 / P5，使后端 Neck 始终获得结构一致的输入。
CAST V2
不是简单压缩，而是链路感知的传输编排
CAST V2 将特征结构完整性作为前提，在不同带宽状态下动态选择不同传输档位，让协同推理在弱链路中依然可用。
C1 / FP16
保留完整 P3 / P4 / P5 FP16 特征，适用于高带宽近距离协同链路。
传输载荷8200.05 KB
阶段性置信度0.8026
在项目阶段性复测中，C1—C4 均实现 1/1 目标匹配；即使在最弱的 C4 档位下，也能保持 0.7332 的可检测保底置信度。
MISSION ANIMATION双锋猎鹰
双锋猎鹰
协同任务动画演示
动画以双机编队进入任务空域为主线，依次呈现区域搜索、目标接近、协同感知与任务响应，用更直观的方式说明“双机协同增强、链路自适应、异常可接管”的工作逻辑。
02
演示内容
编队搜索 · 协同感知 · 目标响应
视频呈现两架无人机在复杂地形上空执行协同任务：前端节点持续获取区域特征，后端节点完成融合分析与目标确认，并通过任务链路形成联动响应。
DUAL NODE双机协同REAL-TIME动态感知TACTICAL任务联动
说明：本视频为系统应用场景与任务流程的概念动画，用于辅助说明总体设计思路，不等同于全部功能均已完成实机闭环验证。
双机协同
目标接近
任务效果REAL-WORLD PROTOTYPE
从算法、协议到板卡与无人机，完成原型闭环
项目已完成前后端模型封装、CAST 传输、LoRa 心跳、地面站可视化、Jetson 双机验证及机载任务载荷集成设计，使核心方法能够落到真实硬件与通信链路上。
RESULTS & EVIDENCE
用阶段性实验，验证“切得对、传得动、断了不断”
结构感知算法验证切分位置与前后端一致性；细腰模型和 CAST V2 验证传输负载可控；LoRa 心跳与 YOLO26n 验证协同异常时仍可保持基本检测输出。
0×
传输载荷大幅缩减，协同更接近实用
从 8200.05 KB 降至 280.74 KB，既保留多尺度结构，又显著降低链路压力，为弱带宽场景下的协同推理提供可操作空间。
Slim-Waist YOLO26m0.9243[email protected]
mAP
Layer 10 split0.95前后端均衡度
BAL
异常兜底1Hz / 3次LoRa 心跳判定策略
SAFE
说明：页面中的数据与表述基于作品文档中的阶段性实验记录进行整理展示。真实外场长期链路稳定性、多目标复杂场景与完整无人机闭环仍属于后续补充验证范围。
EMBODIED AGENT · LANGGRAPH
从“看得清、传得回”，到“听得懂、会规划、敢执行”
前文的切割、压缩与心跳，解决的是感知“在线”的问题。Huntrix Agent 解决下一层：操作员用一句自然语言下达任务，由大模型拆解步骤、调用受控工具、驱动真实飞控——并在每一道不可逆动作之前，留下人的人工闸口。
01WHY · EMBODIED INTELLIGENCE
检测框不是终点：任务以“行动”收尾
发现目标只是开始。起飞、搜索、接近、确认、处置、返航——这条行动链若靠人逐条遥控，反应慢、负担重、强依赖链路。具身智能要回答的是：怎样让无人机把“一句话任务”，自己跑成“一串受控动作”。
无人机的“具身”，在于动作会反过来改变它看到的世界：每一次决策都必须基于最新遥测与画面，而不是一次性脚本。
操作员说“搜索这片区域并报告目标”，而不是逐杆遥控、逐条下发 MQTT 指令。
→ 需要 LLM 理解意图、拆解步骤一次任务是数十次“看—想—动”的交替，中间状态必须可保持、可恢复、可续跑。
→ 需要显式状态与检查点真实起飞、载荷投放没有 Ctrl+Z——模型“想错”一次，就是一次事故。
→ 需要人在回路的硬闸口评审与复盘要能回答：它当时看到了什么、为什么这么做、实际做了什么。
→ 需要全程决策轨迹自然语言 → 完整任务1 句
受控工具 · 飞行/云台/投放/链路16
LangGraph 状态图 · 双图分工2
危险动作 · 服务端人工审批100%
02HOW · WHY LANGGRAPH
把 Agent 循环，从隐式变量变成显式的图
最朴素的 LLM 控制是一个 while 循环：把工具结果拼回 prompt 再跑一次。它能转起来，但状态藏在变量里、流程不可见、断点无法恢复、人工闸口无处安放。LangGraph 把这件事翻过来——节点是计算，边是流转，状态是节点间唯一的数据载体。
手写 ReAct 循环
- ✕状态散在局部变量里，中途崩溃即全部丢失
- ✕人工确认只能写进 prompt——而提示词可以被绕过
- ✕循环内部不可见，出错只能翻日志猜
- ✕无法断点续跑，更谈不上跨指令记忆
显式状态图
- ✓MessagesState 显式承载全部对话与决策
- ✓审批是工具路径上的硬闸口，fail-closed
- ✓每一步 update 可流式观测、可导出复盘
- ✓MemorySaver 按 thread_id 记忆，断点可恢复
src/huntrix/agent/graph.pyStateGraph(MessagesState)add_conditional_edges(tools_condition)ToolNode · 16 toolsMemorySaver checkpointer
图即代码：这张拓扑与实现一一对应，没有“PPT 架构”。循环每转一圈，无人机就离任务目标近一步；什么时候停，由模型根据最新观测决定。
MAPPINGLangGraph 原语 → Huntrix 落地
MessagesState对话与决策历史的唯一载体——节点读所需字段、写自己负责的字段。
ToolNode16 个无人机工具的统一执行器，工具结果自动回传 agent 节点继续推理。
tools_condition条件路由：有 tool_calls 进工具节点；没有则走向 END，输出最终回复。
MemorySaverCheckpointer 持久化：同一 thread_id 跨指令记忆，断点可恢复。
StateGraph ×2第二张图是确定性任务工作流：遥测 → 取帧 → 检测 → 决策 → 执行的硬闭环。
get_state_historyexport_trace() 导出完整 checkpoint JSON——“哪一步为什么调哪个工具”可逐步复盘。
03BUILD · HUNTRIX AGENT
双图分工 + 四层安全闸：把规划能力落到机体上
LLM 图负责“听懂人话、规划没见过的任务”；确定性工作流图负责“预演科目的感知—决策—行动硬闭环”。再往下，是工具、审批与协议——每一层都有明确的边界与闸门。
Agent 图 · 慢思考
START→agent 规划⇄tools 执行→END 回复- 听懂自然语言，规划没见过的任务
- 16 个受控工具，每步确认效果再走下一步
- 跨指令记忆同一任务上下文
- 每步可观测，轨迹可导出复盘
任务工作流图 · 快反应
read_telemetry→capture_frame→detect_target→decide_action→observe ↩move ↩hold · 未授权drop → 评估 → 返航- 视觉伺服三路决策：observe / move / drop
- SafetyPolicy 硬约束：未授权自动降级 hold
- 异常或迭代达上限 → 自动返航收尾
- trace 全程记录，供 HTML 可视化复盘
两张图落到同一套 A460 协议与 MQTT 链路抽象上：一个负责“想清楚”，一个负责“做标准”。
PIPELINE一次指令的完整下行链路
L1 · 入口
自然语言任务Web 控制台 / 交互 Shell
操作员一句话下达任务，界面同步展示 Agent 的逐步规划与工具返回。
L2 · 规划
Agent 图 · LLMSystem Prompt 十条工作原则
temperature=0 稳定决策；OpenAI 兼容端点，DeepSeek / Ollama / vLLM 均可切换。
L3 · 工具
16 个受控工具能力边界 = 工具清单
返回紧凑 dict 降低 token 噪音；异常统一转 ERROR 字符串，循环永不崩溃。
L4 · 闸口
ApprovalManager服务端人工审批队列
危险动作阻塞等待审批：一次性 token、120s TTL、超时/拒绝即 fail-closed。
L5 · 执行
DroneClient 本地校验杆量 / 时长 / 软件锁
杆量 (0,1]、运动脉冲 ≤ 2000ms、HUNTRIX_ALLOW_PAYLOAD_RELEASE 载荷锁。
L6 · 链路
A460 协议 · MQTT飞控 / 云台 / 舵机 / 视频
指令带递增 seq 与 ack 匹配；RTSP 画面回传，构成下一次感知的输入。
CAPABILITY16 个工具：LLM 能做什么 = 这里暴露什么
常规工具 · 即调即用需人工审批（服务端闸口）⚠ takeoff 仅 live 实飞模式需审批；release_payload 任何模式都需审批
感知之眼×2
遥测 + YOLO 检测：类别 / 置信度 / 方位提示 / 是否居中
get_drone_statusdetect_targets
飞行控制×6
短脉冲运动 + 模式切换，持续运动靠多次调用叠加
takeoff ⚠landreturn_homehoverset_flight_modemove_drone
云台取证×5
指向 / 变焦 / 拍照 / 录像，任务留证
gimbal_pointgimbal_zoomtake_photostart_recordingstop_recording
投放与链路×3
载荷舵机 + RTMP 推流；投放受软件锁 + 审批双重保护
release_payload ⚠close_payloadset_rtmp_push
SAFETY四层安全设计：软约束在前，硬闸口在后
十条工作原则：动手前先查状态、电量低于 20% 禁飞、投放需用户明示、失败不盲目重试。
危险动作阻塞等待操作员确认；批准后一次性 token 即刻消费作废，不留可重放凭据。
杆量上限、脉冲时长上限、载荷投放软件锁——写在执行层，LLM 无权关闭。
工具异常统一转 ERROR 字符串回传：循环不中断，LLM 看得到原因、改得动策略。
“仅靠浏览器 confirm()，等于把安全押在前端 JS 上。”——审批令牌下发到服务端工具层，LLM、脚本、其他 HTTP 客户端，谁也绕不过。
TRACE一次任务轨迹 · 逐步回放
任务指令：“起飞搜索坦克目标，目标居中后投放训练载荷，完成后降落。”
回放为工具契约级的典型轨迹还原：每一步的 plan / tool_call / tool_result，与 Web 控制台的实际展示一一对应（run_instruction_with_steps）。
◉思考过程可见
Web 控制台逐步展示规划、工具调用与返回——评委看到的不是黑盒答复，而是完整推理链。
⇓决策轨迹可导出
export_trace() 输出整段 checkpoint JSON：哪一步、为什么、调了哪个工具、返回了什么。
⟳无真机可复现
DryRunTransport 只记录不真发，Fake 依赖注入替代真实 MQTT / RTSP / 模型——仿真跑通全链路，自动化测试常驻。
说明：Agent 的决策、工具与审批链路已在仿真环境完成验证；全自主实飞科目属于后续阶段规划——在那之前，每一道危险动作都以人工审批为准。
APPLICATION VALUE
从坦克样本验证，延展到更广阔的低空任务
虽然本项目以坦克样本作为阶段性验证对象，但核心方法并不依赖单一目标类别。更换数据与模型后，即可扩展到多类真实任务。
在算力与链路都受限的情况下，持续识别缺陷、异物与结构异常，提升远距离巡检的在线智能化水平。
在弱通信环境中快速发现受困人员、车辆、火点与关键区域，保证短时失联时依旧有基本感知输出。
面向复杂地形、远距离与动态链路条件，对人员、车辆与装备进行持续搜索、识别与上报。
识别拥堵、事故车辆与异常行为，通过地面站完成结果可视化、任务调度与辅助决策。
对烟火、非法活动与生态变化目标开展边缘侧实时检测，并通过低带宽链路回传关键结果。
为多节点算力聚合、模型分载部署、链路自适应传输与异常弹性接管提供可迁移的系统方法。