湖南汽车职大——无人机操控与编队技术实验室
2021年，该校高瞻远瞩开设无人机应用技术专业，将《无人机编队技术》列为核心课程，构建起特色鲜明的专业课程体系。然而，专业集群实训场所的缺失，使无人机编队教学、综合实训等关键实践环节难以落地，成为制约人才培养质量提升的核心痛点。在此背景下，卓翼飞思实验室秉持“产教融合、协同育人”理念，与学校精准对接，双方就实验室建设理念、功能定位、实训模块设计等达成高度共识，开启深度合作篇章。校企团队历经多轮研讨打磨，共同规划建设《无人机操控与集群控制实验室》。
降低研发门槛
全栈自主集群科研
加速算法验证
虚实一体高保真仿真
成果可复现
集群智能全周期研发
天枢OS系统
异构智能体集群操作系统
开放生态赋能
天枢OS是面向无人智能集群领域的统一操作系统与开放技术生态平台，具备标准化软硬件接口与模块化架构设计，为无人机、无人车、无人船、机器狗等异构无人平台提供集感知、决策、控制与协同的一体化系统级支撑，赋能合作伙伴高效开发跨平台、跨场景的智能集群应用。
生态合作
汇智低空，聚力科研，共筑产学研协同新未来
课程发布
完整课程体系，从理论到应用全覆盖
经典案例
助力科研院所与高校，实现创新成果落地
MORE
16
2026.10
【科研解决方案】从PID到智能飞控：飞控教研实验室，如何赋能高校科研与教学？
近几年，无人机飞控领域的研究范式正在发生深刻转变。研究重心从传统的姿态稳定、位置保持与航迹跟踪，逐步拓展至模型预测控制、强化学习控制、故障容错控制；随着大模型技术的兴起，大模型驱动的无人机智能体也成为前沿热点。飞控研究的目标，已经不再局限于实现无人机稳定飞行，而是追求让无人机在复杂现实环境下自主完成复杂任务。 但各类先进算法从理论研究走向真实机载系统时，仍面临诸多现实挑战。真机试验的验证成本居高不下，不少控制器在半实物仿真与理想模型中表现亮眼，移植到真机、更换飞行器机架或加装任务载荷后，稳定性便难以保障。GPS、加速度计、磁力计等传感器出现异常时，系统能否快速识别故障并切入安全模式，仿真环境中效果优异的算法落地到真实飞控硬件后性能大幅衰减，都是科研人员需要攻克的难题。 针对以上痛点，飞思实验室依托Sim2Real技术体系，整合RflySim平台、教研平台、硬件在环套件与真机实验平台，推出飞控教研实验室解决方案。方案贯通软件在环—硬件在环—真机实验验证链路，提供从模型构建到实物验证的一体化环境，逐级引入物理约束，实现多控制方案对比与故障场景可重复验证，降低科研试错成本，加快算法迭代。该方案配套教研模块覆盖课程组织、实验考核与科研数据管理，支撑教学与课题原型验证，推动科研成果向教学实践转化。 01 飞控前沿从单一控制器设计，迈向全维度系统验证 传统飞控研究聚焦经典命题：姿态稳定性、位置定常能力、轨迹跟踪精度、扰动条件下的系统恢复能力。这些依旧是飞控系统不可或缺的底层基础，但当下的科研评价，更加看重算法在复杂工况下的综合鲁棒性。 其中，学习控制作为目前较为新颖的控制方式，依托神经网络、强化学习与在线数据迭代，提升控制器对模型不确定性的适配能力；安全控制则聚焦执行器饱和、障碍物约束、部件故障下的系统安全边界。 随之改变的还有飞控算法的评价体系。科研人员除了关注轨迹平均跟踪误差，还需要评估控制器对模型摄动的适应能力、扰动与故障场景下的容错恢复能力、感知噪声的耐受度，以及仿真‑实物跨平台迁移的落地效果。一套面向科研的飞控实验环境，应当完整覆盖如下研究链路： 飞行器动力学建模与模型参数标定调优 姿态、位置、速度多环控制器开发设计 传感器配置与状态估计算法验证 故障注入仿真与系统安全性能评估 PX4飞控源码研读与二次开发 软件在环、硬件在环、实物真机分级实验 这正是飞控教研实验室着力构建的核心能力边界。 图1 飞控教研实验室科研全链路：动力学建模→控制器设计→状态估计→故障注入→PX4二次开发→分级验证 02 立足动力学模型：厘清控制器性能背后的底层机理 控制算法最终作用于实体飞行器，机架结构、电机性能、螺旋桨规格、电池特性、任务载荷、惯性参数，都会直接改变无人机的动力学响应特性。如果实验忽略这些物理要素，控制器性能分析就会始终停留在理想仿真假设，和真实工况存在巨大鸿沟。 飞控教研实验室搭载RflySim飞控开发仿真平台，支持多旋翼、固定翼、飞翼、垂起等主流飞行器构型，同时兼容直升机、无人车、无人船、水下潜航器等多类无人系统模型。科研人员可自定义机架、电机、电调、桨叶、电池、负载全套物理参数，依托平台模型库完成动力学参数解算与模型匹配，支撑一系列基础与前沿研究： 不同机架布局对飞行器姿态动态响应的影响研究 电机-螺旋桨动力组合的输出特性分析 电池压降对控制性能与续航特性的影响机理 四/六/八旋翼多构型飞行器模型适配与对比 固定翼与多旋翼飞行控制方法论的差异性研究 载荷动态变化场景下的控制器参数整定 图2 动力学模型与物理参数：全套物理参数可自定义，同时兼容多旋翼、固定翼、垂起及无人车、无人船等多类无人系统模型 上述基础工作对自适应控制、学习控制尤为关键。只有搭建准确的动力学模型，建立传统控制方案作为性能基线，才能够客观量化学习控制算法的增益，定位算法在特定工况下性能退化的根源。 03 学会控制会替代PID吗？ 这是当前无人机飞控领域高频探讨的议题。从前沿研究现状来看，强化学习、神经网络并不会简单替代PID、几何控制、模型预测控制这类成熟传统控制算法。更主流的技术路线，是将学习模块与机理模型、经典控制器、安全防护机制深度融合，构建混合控制系统。 这背后有着清晰的工程逻辑：飞控属于高可靠、强实时、低功耗的典型嵌入式平台，机载算力资源紧张，而学习控制无论训练还是在线推理都更消耗算力，实时性通常也逊于经典算法。因此在可预见的一段时期内，资源受限的飞控终端仍将依赖经典算法完成底层实时控制，神经网络则更多承担任务决策等上层职能，扮演无人机智能体的角色。混合控制系统的典型研究流程如下： 1基于PID、LQR、几何控制、MPC搭建基线控制器； 2在统一动力学模型与标准化任务场景下，完成轨迹跟踪、抗扰能力基准测试； 3引入强化学习或神经元网络单元，补偿未建模动力学、外部扰动与模型误差； 4将学习模块和传统控制器耦合，对比系统在多扰动、变载荷、多约束条件下的综合表现。 图3 混合控制系统研究流程：先建立基线控制器与基准测试，再引入学习模块补偿，最终完成耦合对比验证并迭代回流 飞控教研实验室完整支持这套渐进式科研范式。科研人员可在同一任务场景下完成多类控制器横向比对，采集姿态误差、位置误差、动态响应速度、控制输出量、故障恢复时间等全维度实验数据。 这套对照实验模式高度适配高校科研场景，既可以清晰呈现不同算法的优劣差异，也便于科研人员界定各类算法的适用边界与局限性。 04 故障注入仿真：推动安全容错研究从理论走向可复现实验 真实飞行环境远离理想条件。紊流风场、电池衰减、传感器漂移、螺旋桨损伤、负载突变等各类风险，都会干扰飞行器状态估计与控制输出。故障容错与安全评估已经成为飞控方向的重要研究分支，研究范畴也从故障发生后的被动保护，拓展至故障检测诊断、控制重构、任务降级恢复全链条。 RflySim平台内置丰富的故障注入与安全评估例程，科研人员可在可控仿真环境中复现各类故障工况，完整留存故障发生前后的全量飞行数据，既可用于实验评估，也可为模型训练提供数据支撑。例如在定点悬停实验中，可分别注入：风场扰动、GPS量测异常、加速度计偏置、磁力计干扰、电池性能衰减、执行器 / 单桨性能退化、负载突变等故障。对比不同控制策略下的位置、姿态误差、控制输出以及故障恢复耗时。 该类实验可有力支撑故障检测与隔离、自适应容错控制、失效保护策略、控制屏障函数、安全强化学习等方向的课题研究。 05 软件-硬件在环-真机三级链路：弥合仿真算法与真实飞控的鸿沟 仿真环境能够快速迭代验证算法原型，但真实硬件会引入传感器噪声、算力上限、执行器动态特性、机械安装误差等现实约束，造成仿真与实物之间的性能鸿沟。 飞控教研实验室遵循软件在环—硬件在环—真机实验的分级验证思路，由浅入深引入真实物理约束。 软件在环阶段，完成动力学建模、控制器开发、传感器配置、故障注入仿真，快速完成多套算法方案筛选迭代。硬件在环阶段，依托X‑HIL_Suite‑Racer硬件在环套件、Racer飞控板卡，以仿真传感器输入驱动真实飞控硬件，开展飞控固件烧录与参数配置、MAVLink/HIL数据链路调试、PX4飞控源码修改、飞行日志解析等实验，重点验证飞控控制算法的准确性与稳定性。…14
2026.10
从大模型导调到反无集群实飞：天枢Studio反无对抗体系验证全链路解析
机场、港口、能源设施等关键区域开展反无人机防护时，需要探测设备、任务系统、通信链路和处置力量协同工作，分别承担目标发现与跟踪、威胁研判与资源调度、信息传递以及干扰、压制或拦截等任务。其核心难点在于让不同环节持续协同；因此，体系验证需要覆盖从目标发现、跟踪识别、威胁判断、资源调度到反制处置和效果复盘的完整任务链，并将单台设备和单个算法的表现放回到整条链路中进行检验，同时单台雷达、光电、通信等设备的性能指标也需要在体系中进行评估。 关键设施防护，需要验证一条完整任务链 数字场景是体系验证的起点。天枢Studio将机场、港口和能源站区等典型关键设施映射到仿真环境，并在场景中设置重点建筑、低空通道、禁飞边界和障碍物等空间要素。研发人员进一步配置目标规模、飞行特征、编组方式和突防行为等内容，同时设置探测设备、处置资源与通信条件。 在这一场景中，平台内置的高精度无人机动力学模型模拟固定翼、多旋翼和高速小型无人机的运动响应、控制误差、飞行边界与任务行为。环境与系统扰动也进入试验过程，使任务能够在复杂条件下运行。其中，地形与建筑遮挡影响感知范围，传感器误差影响观测质量，通信时延与链路中断影响信息传递。 完成场景构建后，验证过程从目标探测开始。雷达、光电、红外和无线电侦测设备负责发现、跟踪与识别，多源信息进一步形成连续态势，任务系统据此判断威胁、排列目标优先级并调度防御资源。 进入处置阶段后，干扰、压制和诱骗等软处置手段与拦截无人机等硬处置装备开始执行任务。拦截机集群完成目标分配、协同围捕、路径协调和动态重规划等任务，并在执行过程中保持安全避碰。任务结束后，平台记录完整过程并复盘处置结果，使研发人员既能检查单个模型或算法，也能观察局部问题如何沿任务链传递并影响最终结果。 把复杂威胁变成可重复的对抗试验 完整任务链能够运行之后，还需要通过对抗条件检验其稳定性。天枢Studio让威胁方模拟多方向、多批次和多策略无人机突防，包括低空绕飞、诱饵牵制、分散突入和集群饱和攻击等行为，目标还可以在任务过程中临时改变攻击对象。防御方则配置探测设备、任务系统、反制装备和拦截无人机集群，开展多轮防御推演。 为了比较不同方案，研发人员在同一场景中分别调整威胁条件、感知与通信状态、防御资源和策略参数，例如目标分配、编队方式和重规划规则，同时保持其他条件一致。威胁条件具体体现为目标规模和波次间隔，感知与通信状态则包括传感器状态和通信质量。基于这些对比结果，反复推演能够稳定复现探测盲区、航迹中断和任务分配瓶颈，也能进一步检查拦截窗口（能够有效接近并处置目标的时间和空间条件）、通信链路与集群协同边界，并将发现的问题转化为新的测试条件和优化目标。 AI把一次试验扩展为多组对比验证 随着场景和策略组合不断增加，人工配置效率会逐渐成为瓶颈，逐项运行与分析也会消耗大量时间。为此，天枢Studio提供两种AI使用方式，分别满足平台内操作和外部智能体工作流的需要。两种入口复用相同的平台业务能力与校验规则，平台会对实验配置、资源状态和任务操作进行统一检查，但两种入口获取上下文和调用功能的方式不同。 第一种方式是在天枢Studio界面的AI面板中直接输入任务描述（Prompt）。内置AI自动结合当前实验、地图、运行状态和页面上下文，辅助实验设计、任务规划、运行导调（控制试验节奏、注入特情和调整任务状态）和结果分析等工作；涉及部署、修改或导调的操作，仍由用户确认后执行。 第二种方式是由外部AI Agent（能够调用工具完成多步任务的软件智能体）通过MCP（模型上下文协议）访问平台功能。用户可以在Codex、Claude Code等支持MCP的客户端中输入任务描述，由AI Agent调用标准化工具读取指定实验的当前状态，包括场景、装备、区域、任务和运行记录等平台事实，并在平台校验规则约束下创建或更新这些业务对象；算法构建、训练和评估等工程能力也通过同一接口供外部智能体调用。 以“模拟30架无人机从三个方向分批突防，比较两种拦截编队策略”为例，用户既可以在界面AI面板中输入任务，由内置AI结合当前实验生成方案，也可以在外部客户端中提出同一任务，由AI Agent通过MCP读取平台事实并完成配置。方案确认后，天枢Studio依据已确认的配置调用云端仿真计算资源批量运行，并在任务完成后汇总关键指标、异常事件和方案差异，帮助研发人员定位需要进一步检查的任务片段。 经过这一流程，一次固定场景的验证被扩展为围绕同一个问题开展的多组条件、多种策略和多轮结果比较。研发人员可以根据工作位置和工具习惯选择AI面板或MCP方式，把更多时间用于分析差异和确认结论，而不是重复准备与整理试验。 用强化学习训练集群反无策略 完成多组方案比较后，集群策略还需要在真实任务约束下反复训练。研发人员既要验证已有方案，也要在大量对抗任务中寻找更优解。天枢Studio为此提供强化学习和多智能体算法训练能力，通过奖励或目标函数让策略在大量任务中反复试错、比较和更新，并将多架拦截无人机作为协同智能体共同训练。训练内容覆盖目标分配、路径与围捕规划、安全避碰和动态重规划等能力，训练条件则包括不同目标规模、进入方向、通信条件和资源约束。 训练条件决定策略的适用范围。在训练过程中，关键设施场景以及装备和通信约束共同构成训练环境。平台将拦截效果、处置效率、资源消耗和集群安全等指标转化为训练时的目标函数，分别关注拦截成功率与防区覆盖率、处置时间、能源与通信负载以及集群安全距离。经过云端批量训练与评估，平台持续比较不同方案，筛选出表现稳定的候选策略，再按软件在环、硬件在环、虚实结合和集群实飞逐级进入更高保真的验证环境。 从数字验证走向真实装备与集群实飞 候选策略形成后，验证需要从数字环境进入真实硬件和任务链路。天枢Studio沿着软件在环、硬件在环、虚实结合和集群实飞逐步推进： 软件在环 软件在环验证场景、任务流程、算法逻辑和攻防策略； 硬件在环 硬件在环接入真实飞控、机载计算机、数据链和任务系统，验证接口、时延、计算性能和控制响应； 虚实结合 虚实结合让真实拦截无人机集群与虚拟目标、虚拟传感器和数字环境交互，验证真实装备参与下的任务链路； 集群实飞 集群实飞进一步验证协同搜索、目标分配、围捕接近和动态调整等任务过程。 四个阶段逐步连接软件算法、真实硬件、任务链路和集群装备，使研发团队能够在实装前发现体系短板，在实飞前筛选算法与策略。经过前序验证后，有限的现场资源可以集中到必须由真实环境回答的问题上。 让测试数据进入下一轮验证 完成真实装备与集群实飞验证后，试验数据继续进入下一轮研发过程。每一次仿真推演、硬件在环测试、虚实结合验证和集群实飞，都会形成感知数据、飞行数据、运行记录和问题样本等试验资料。感知数据包括雷达数据，运行记录覆盖通信日志和任务记录，问题样本则记录异常事件与失败过程。这些资料共同构成下一轮验证的输入。 天枢Studio将这些数据带回原试验环境，恢复当时的场景、软件、参数和任务过程。随后，AI识别问题片段并归纳失败原因，再生成针对已发现问题的可重复回归用例和评估报告。研发人员据此调整模型、算法与策略，然后进入下一轮批量仿真、强化学习和博弈推演。 通过数据回流，现场发现的问题可以在数字环境中重现，修改后的版本也能回到相同条件下重新验证。其中，真实数据和仿真数据用于重现场景与校准模型，训练结果用于比较策略并筛选候选方案。天枢 Studio据此把三类工作连接起来：实装前分析体系短板，实飞前筛选算法与策略，测试后优化模型、算法和防护方案。每次试验的结果都会成为下一轮验证的依据。 低空威胁的复杂化、集群化演进，正在对关键基础设施的防护能力提出体系化的全新要求。反无人机对抗早已不再是单一装备性能的比拼，而是探测、研判、调度、处置全链条的综合较量。天枢Studio构建起从仿真导调、AI 推演、策略训练到虚实迭代、集群实飞，再到试验数据闭环回流的完整验证范式，把过去难以复现、成本高昂的复杂对抗场景，转化为可控、可复现、可迭代的标准化试验能力。 这套体系化验证思路，为机场、港口、能源站点等高价值防护目标打磨可用的反无集群防御策略，也为低空安全领域提供了“数字仿真先行、虚实逐级校验、试验反哺迭代”的工程方法论，为同类体系化验证平台的建设提供了可参照的路径。面对持续演变的低空对抗形态，以数字仿真赋能实装验证、以对抗试验锤炼防御能力，将是筑牢关键设施低空安全屏障的关键所在。10
2026.10
【职教解决方案】从“能飞”到“会干”：飞思实验室如何助力职业本科培养无人智能复合型人才?
低空无人场景应用加速向规模化发展，无人机企业的用人标准也在升级——过去看“能不能飞”，如今更看重“能不能把任务干成”。飞行操控仍是核心基础，但能源巡检、航空测绘等多场景的完整任务普遍受法规、安全、成本、质量、交付多重约束。企业需要的是能理解目标、制定方案、配置载荷、处置异常并对成果负责的复合型人才。 院校教学也存在同类短板，学生实训动作标准规范，进入真实作业场景却难以应对突发状况，硬件设备不断完善，支撑综合任务的课程却相对不足，核心问题不在飞行熟练度，而在能力层级。 飞思实验室职业本科解决方案以无人机虚拟仿真、集群规划、装调检修、设计制造、飞行操控及行业应用六大实训方向为核心，对标院校“五金”建设，为专业定位、课程与教材开发、师资协同和实训基地建设提供支撑。方案依托真实任务与分级实训条件搭建模块化实践教学体系，引导学生从基础规范训练进阶至复杂问题解决，构建从课程学习到岗位能力养成的培养闭环，增强低空领域人才供给与产业需求的适配性。 壹 重新定义课程目标： 从装备操作走向任务解决 在无人机实训能力培养体系中，能力分为装备操作与任务解决两个递进层级。装备操作侧重依照规范流程完成飞行作业、设备检查与载荷配置。任务解决要求学生立足真实场景，统筹任务目标、技术手段、资源条件与潜在风险，输出可落地、可交付的实施方案。这一转变意味着课程目标不能局限于飞行操作熟练度训练，而要聚焦复杂场景下综合任务处置能力培育。 飞行操控、装备检查、载荷配置构成职业实践基础，在此之上强化任务分析、方案设计、资源配置、风险控制、异常处置与技术优化，助力学生建立系统分析和工程实践能力。 以无人机电力巡检为例，学生按既定航线完成飞行，只能说明其具备基本操控能力。面对环境变化和数据质量要求，能否合理选择平台与载荷、调整作业方案、控制风险并交付可用成果，才体现任务解决能力。课程目标因此需要把方案合理性、风险可控性和成果可用性纳入能力要求。 复合型人才的培养不是把技能简单叠加，而是围绕任务建立分析、设计、配置、实施、处置和优化相衔接的能力体系。飞思实验室的六大方向覆盖从仿真到行业应用的训练条件，可围绕同一任务综合训练飞行、规划、装备与成果交付能力，帮助院校把知识、技术与装备转化为工程实践能力。 贰 重组教学内容： 以完整任务链重构课程链 培养目标升级，课程组织方式也需同步调整。传统课程以知识模块或单项技能为基本单元，但真实岗位场景不存在清晰的课程边界，企业交付的是完整任务，而非零散知识点。飞思实验室提供经过教学化设计的完整任务载体，推动课程围绕任务目标、工作流程与交付标准组织实施。 飞行类课程可围绕完整工作过程重构，按飞行能力培养—任务分析—方案制定—资源配置—任务实施—异常处置—成果交付—复盘优化—技术验证的逻辑，构建递进式项目教学体系。 以巡检任务为例，飞行操控服务于任务实施，载荷配置匹配数据采集需求，航线规划统筹作业效率、环境条件与安全边界，任务完成后还需对照成果标准完成质量验证。学生面对的不再是零散割裂的知识点，而是如何整合多种技术能力支撑完整任务，这正是企业用人的核心考察维度。 飞思实验室据此将教学内容组织为三个递进阶段。基础阶段强化规范操作与装备认知，进阶阶段侧重任务分析与方案执行，项目阶段提升系统集成、工程实施与创新应用能力，使学生逐步具备独立完成岗位任务的能力。 叁 升级实训路径： 从虚拟验证走向工程实践 教学内容的重构，最终要落到实训条件上。然而，院校实训建设常陷入两难，复杂任务直接动用真机成本高、风险大，一次失误动辄数万元损失，教师难以放手让学生实操；单纯依赖虚拟仿真，学生又无法建立对装备状态、运行环境与工程边界的完整认知。 飞思实验室依托“仿真认知→系统验证→装备实训→真机操控→项目应用”五级路径搭建实践体系。无人机虚拟仿真与集群规划支撑前端认知与方案验证，装调检修、设计制造夯实装备实训环节，飞行操控和行业应用衔接真机训练与综合项目任务。六大实训方向可根据专业定位灵活组合，让实训基地建设直接服务任务训练与能力进阶。 肆 引入真实任务： 将产业任务转化为教学任务 分级实训提供实践条件，真实产业任务则决定训练内容与交付标准。飞思实验室以六大实训方向为载体，在模块化方案中将企业典型任务转化为难度递进的任务书、实训工单和评价要点，使院校能够围绕同一岗位任务组织课程与训练。 以电力巡检为例，企业工程师提供作业环境、技术规范与成果验收要求，院校教师完成知识重构和难度分级。飞思实验室的方案将一条巡检任务拆分为航线规划、载荷配置、数据采集、异常处置、成果质检等可训练、可重复、可评价的工单。随着环境变化、设备异常和团队协同等变量逐步加入，学生经历从任务理解、方案制定到实施交付与复盘优化的全过程。 “企业定边界、学校做转化”的协同机制，是飞思实验室六大实训方向的核心落点。依托教育部新版专业教学标准框架，实训室建设对标标准而非堆砌设备清单，项目开发紧扣产业真实场景。据此思路推进，产教融合有望跳出浅层资源引进，实现人才培养体系的系统性重构。 伍 改革评价方式： 从飞行成绩转向项目能力 教学体系以完整任务为核心重构，带动培养目标、教学内容与实训条件的系统性调整，最终依靠评价检验育人成效。飞行实操成绩仍是基础评价维度，但绝非唯一衡量依据。岗位胜任能力，更多体现在学生独立完成任务、处置场景变化与交付项目成果等综合表现之中。 依托飞思实验室的完整任务和分级实训路径，院校可将评价嵌入任务全过程。任务书明确目标与约束，检查单和作业日志记录实施过程与异常处置，成果文件检验质量与交付。方案合理性、过程规范性和结果可用性由此都有据可查，评价结果也能用于改进课程与实训。 职业教育的核心验证标准，不是学生是否完成过单项训练，而是面对新任务场景时，能否在责任边界内完成分析、决策、实施与交付。 结语 以产教融合 构建低空人才培养长效机制 从“能飞”到“会干”，是职业教育对接低空产业升级的核心命题。产业端输出场景规范、技术标准与用人需求，院校将产业要求转化为课程体系、实训任务与评价规则。学生在真实问题求解中淬炼岗位胜任力，推动人才培养与产业发展双向赋能。 飞思实验室携手职业本科院校与行业企业，共建可持续迭代的实践育人体系：以真实任务牵引教学实施，以项目成果衡量育人质量，以岗位反馈驱动课程与实训持续优化。飞思实验室致力于将单次项目协作沉淀为长效协同育人机制，持续培育具备跨场景协同能力、能够处置复杂任务的高层次技术技能人才，以稳定适配的人才供给，筑牢低空无人场景应用高质量发展的人才根基。我们期待与各职业本科院校深入交流、携手合作，共促低空领域人才培养提质升级。合作伙伴
已服务500+高校及科研院所
携手全球独立开发者，共促无人智能生态
中国航天科技集团
中国航天科工集团
中国航空工业集团
中国电子科技集团
中国电子信息集团
中国船舶集团有限公司
中国兵器装备集团
中国兵器工业集团
零八一电子集团有限公司
武警工程大学
网络空间部队信息工程大学
陆军勤务学院
陆军航空兵学院
陆军工程大学
陆军步兵学院
陆军兵种大学
空军军医大学
空军工程大学
火箭军工程大学
海军航空大学
海军大连舰艇学院
国防科技大学
西北工业大学
南京理工大学
南京航空航天大学
哈尔滨工业大学
哈尔滨工程大学
北京理工大学
北京航空航天大学
中南大学
中山大学
中国民航大学
中国农业大学
长春职业技术学院
中国地质大学
长春大学
香港理工大学
西北师范大学
西安理工大学
西安交通大学
西安航空职业技术学院
武汉大学
同济大学
天津工业大学
太原科技大学
四川轻化工大学
沈阳师范大学
深圳职业技术大学
上海交通大学
深圳大学
山东大学
陕西职业技术学院
清华大学
南京工业职业技术大学
辽宁工业大学
南京大学
吉林化工学院
兰州大学
广州大学
河海大学