现状
已实现部分
- 无人机主机能与物联网IOT平台连接，并能互相传递各类数据。
- 数字孪生平台能从物联网IOT平台获取。
即将实现部分
- 在数字孪生平台中加入物理引擎，实现仿真飞行。
- 无人机能在UWB基站环境下进行半自主飞行（输入作业模式和起始点）。
- 无人机自主进行货物的标签读取和测量。
- 数字孪生能给IOT平台发送数据
实现可能性
- 无人机的自主仅停留于程序上的自主作业，并不具备判断能力，仅省去了驾驶环节。
- 现有无人机飞控系统不具备搭载神经网络的条件，即使是树莓派也无法实现在本机中实现机器学习的模型训练。
- 因数字孪生平台本身是基于PC端设计的，即PC端是仓储系统实现的基础，则可在PC端构建神经网络，通过IOT平台转换成飞行指令，下达给无人机，即变相使无人机具备了神经网络。
- 同时实现机器学习需要大量的数据构成训练集，而实际上的无人机飞行必定是有限次的，数据量不够大；而具备物理引擎的数字孪生平台正好弥补了该项不足，由于具备仿真能力，可在数字孪生平台上实现大量模拟飞行构成训练集，而真实的有限次飞行与模拟飞行存在大量的同和少量的异。则可用来弥补根据仿真数据深度学习所带来的失真。
实现思路
基于上述条件，无人机和数字孪生平台能分别实现与IOT平台的数据收发。
首先现在数字孪生平台中用脚本构建大量的飞行轨迹和飞行方案（基于现有的货物入库、货物出库功能），进行模拟飞行，并将每次的飞行数据发送给IOT平台，从而构成一个训练集。PC端根据这些数据，进行深度学习，得到一个初步的模型A。
而后在使用无人机按正常两种模式分别作业，这些作业均采用现有的自主飞行代码。将这些有限次的飞行数据发送给IOT平台，构成另一个"训练集"，对模型A进行强化学习，得到模型B，而该模型由深度学习和强化学习所得，将模型B理解为一个神经网络。由此，模型B能结合外界所给条件生成一个最优行为，该行为通过IOT平台转换为飞行指令下达给无人机主机。
结果
最终实现根据外界条件，能自主判断是哪种工作模式并前往某个作业点作业。
示例1：当有满载货物的货车达到仓库时，判断是货物入库模式，前往卸货点实现货物的测量；
示例2：当有发往某处的货车还有剩余空间时，结合IOT平台中的货物数据，自动前往同样发往该目的地且已在仓库滞留时间过长的货物所在货架，对该货物进行出库作业。