基于多星座导航信号模拟器的导航大模型端到端定位算法验证方法

摘 要面向自动驾驶、无人机等安全关键场景基于深度学习、大模型架构的GNSS智能接收机逐步用于城市遮挡、多径、欺骗等恶劣环境下的定位解算。野外实测方式难以获取带精准真值、参数可控的遮挡与欺骗样本且场景复现与变量隔离难度高成为导航大模型训练与客观评估的瓶颈。多星座导航信号模拟器可按照北斗、GPS、Galileo、GLONASS等星座信号体制可控生成包含多径、电离层扰动、功率衰减、渐进式欺骗、部分星座失锁等退化效应的射频/中频GNSS信号并同步输出位置、速度、姿态真值标签为导航大模型提供可复现、参数可编排的标注数据集。本文梳理模拟器-导航大模型联合测试的原理框架、数据集构建流程与端到端验证指标体系分析该方案的优势、误差边界及现存局限为智能定位接收机的标准化测试提供可靠技术路径。关键词多星座导航信号模拟器导航信号发生器GNSS卫星模拟器一、背景导航大模型测试面临的数据困境传统GNSS接收机依赖最小二乘、卡尔曼滤波等解析模型完成伪距、载波相位解算在城市峡谷、林下遮挡场景容易出现卫星失锁与多径污染面对欺骗攻击时检测能力有限。近年来时序网络、注意力模型与导航大模型被用于直接从IQ基带信号或观测值序列中完成端到端定位、干扰检测与欺骗识别不再完全依赖传统跟踪环路流程具备更强的复杂环境适应能力。导航AI模型的性能高度依赖数据集质量。当前公开GNSS数据集主要分为野外采集数据集和少量专用欺骗数据集例如TEXBAT[4]、Tuni2025等[7]存在明显短板野外采集数据真值获取成本高、环境参数不可控难以单独隔离多径、电离层闪烁、欺骗功率差等单一变量人为开展GNSS欺骗外场试验存在合规风险且场景难以重复复现现有公开数据集大多只覆盖GPS单星座多星座融合、北斗参与的样本偏少难以支撑多星座联合定位大模型的训练与泛化性验证[3]。在工程领域GNSS卫星模拟器也称导航信号发生器、多星座导航信号模拟器能够建模多星座星历、用户运动轨迹、电离层/对流层延迟、多径反射、信号功率衰减与时钟偏差支持配置卫星遮挡、信号跳变、欺骗信号叠加等特殊工况所有仿真参数可记录、可复现天然适合生成标注完备的退化信号样本。以同步天下SYN5206型GNSS模拟器为例其具备多星座多频点射频输出、高动态轨迹与环境效应仿真、仿真元数据导出等能力可作为导航大模型数据集构建的硬件基础[9]。二、多星座导航信号模拟器的仿真能力与真值溯源原理多星座导航信号模拟器导航信号发生器、GNSS卫星模拟器是面向GNSS用户终端测试的专用仪器能够同时生成北斗、GPS、Galileo、GLONASS等多系统多频点射频导航信号其数学仿真层包含空间段、环境段、用户段三大模块[1]。空间段模块根据标准ICD文件生成各卫星PRN码与导航电文实时计算卫星位置、钟差与多普勒环境段注入电离层延迟、对流层湿延迟、电离层闪烁、窄带干扰与多径反射分量用户段加载载体轨迹、姿态与天线方向图输出每一颗可见卫星到达接收机天线口面的伪距、载波相位、信噪比等观测量最终合成基带IQ信号或射频信号输出至被测接收机射频入口。以该类设备为参照其可输出多个GNSS射频信号仿真通道提供大信号、小信号两种接口功率范围覆盖约-165 dBm0 dBm数据更新率可达1000 Hz能够复现从车载低动态到飞行器高动态的载体运动特征[9]。该方案最核心优势在于真值天然同步可记录模拟器在输出信号的同时保存每一时刻载体真实PVA位置、速度、姿态、每颗卫星的理论观测真值与各类误差源注入参数。真值与信号严格时间对齐不存在野外测试中惯导、激光雷达等真值设备引入的时间同步误差因此数据集标签置信度更高适合导航大模型的监督训练与定量评估。需要说明导航信号发生器本身仍存在仪器自身不确定度包括伪距偏差、通道相位不一致、载波相位噪声与射频幅相误差。该类系统误差需要通过计量校准予以控制计量方法可参考BD 420012-2015等北斗模拟器性能标准不能直接忽略仪器误差对模型评估结果的影响[2]。计量合格的GNSS卫星模拟器其伪距误差可控制在0.05 m以内内部通道延迟可控制在数纳秒量级能够满足绝大多数导航大模型的数据集生成精度要求[9]。三、模拟器导航大模型联合测试整体框架整套端到端验证框架分为四层场景编排层、信号生成层、导航大模型推理层与评估反馈层形成闭环测试链路。1场景编排层测试人员定义载体运动轨迹、可见星座组合、遮挡策略与误差配置多径时延衰减、电离层闪烁强度、欺骗类型、干信比等。该层支持批量自动生成大量差异化工况避免人工配置场景效率低的问题部分设备支持外部轨迹文件导入与闰秒、功率等异常工况配置可拓展边缘测试场景覆盖范围。2信号生成层GNSS卫星模拟器根据编排脚本实时生成同步多星座射频信号一方面将射频信号送入导航大模型接收机另一方面导出IQ基带采样数据、观测真值与工况标签存入数据集仓库用于离线训练与离线推理验证。同一套脚本可以重复回放实现不同模型、不同版本算法的对照试验。3导航大模型推理层被测智能接收机包含信号捕获跟踪前端与定位大模型模型输入可以是IQ时序序列、相关器输出或预处理后的伪距、载波相位观测序列模型直接输出定位结果、置信度与欺骗/干扰检测标签属于典型的端到端定位范式区别于传统分环路解算架构。4评估反馈层将模型输出定位结果与模拟器记录的PVA真值比对计算定位误差、失锁恢复时间、欺骗检测F1值、漏警虚警率等指标评估结果反向反馈至场景编排模块自动补充模型表现较差的边缘场景持续扩充难例样本。该框架支持两种工作模式离线数据集模式导航信号发生器先批量生成数据集用于大模型训练与调参硬件在环实时闭环模式多星座导航信号模拟器与飞控、整车动力学联动实时随载体轨迹更新信号在线评估大模型动态性能。部分模拟器支持千兆网口远程控制与自动化测试便于整体框架集成至自动化测试平台实现无人值守的批量仿真测试[9]。四、面向导航大模型的退化信号数据集构建规范数据集构建并非简单导出仿真信号需要保证标签、误差与分布满足机器学习的基本要求这也是GNSS卫星模拟器方案区别于普通纯软件仿真工具的关键。首先数据集按场景类别划分样本子集干净开阔基准集、部分卫星遮挡集、城市峡谷连续遮挡集、静态/动态多径集、电离层闪烁集、压制干扰集、同步渐进欺骗集与星座时间基准不一致场景集。每一条样本附带结构化标签包括时刻真值、各卫星信噪比、多径参数、欺骗启动时刻、干信比与星座组合标签字段与信号时序严格对齐。依托模拟器单卫星独立功率调节功能可批量生成不同载噪比梯度的样本丰富数据集在信噪比维度上的覆盖[9]。其次需要控制样本分布均衡性。导航大模型容易在常见开阔场景过拟合在低信噪比、短时遮挡、低功率欺骗等边缘场景泛化失效多星座导航信号模拟器可定向增加这类稀有工况的采样占比、平衡正负样本而野外采集很难主动控制样本分布。同时要区分用于训练的数据与用于最终测试的数据。测试集场景参数与轨迹不能出现在训练集以避免信息泄露保证评估结果能反映模型真实泛化能力。已有研究使用GNSS信号模拟器生成干扰、多径数据集并开展模型基准测试其中卷积神经网络多径检测方法基于仿真IQ样本训练[5]图神经网络干扰校正方法依托多星座模拟器信号完成评估[8]验证了该数据集方案的可行性。五、端到端验证的核心评价指标体系针对导航大模型不能只使用传统单点定位RMS误差需同时覆盖定位精度、连续性、完好性与抗欺骗能力四类指标形成完整评估。1定位精度指标东北天方向位置误差、速度误差载波相位模式下模糊度固定成功率与固定耗时。2连续性指标遮挡发生后定位恢复时间、连续可用定位时长、卫星失锁后的模型预测漂移速率。3完好性指标欺骗、干扰场景下的位置告警延迟、虚警率、漏警率与检测F1分数。4鲁棒性指标不同信噪比、多径强度与欺骗功率梯度下指标的变化曲线用于量化模型性能边界。在对比试验中同一套仿真脚本、同一组信号输入同时运行导航大模型与传统接收机算法即可完成公平对照。因为信号源完全一致排除了输入数据差异带来的评估偏差这是野外对比试验很难做到的。当开展RTK与大模型相关测试时可利用模拟器的RTK仿真选件构建双频差分场景[6]完成高精度定位模型的性能评估[9]。六、该方案的局限性与可信性边界该方案优势显著但测试人员必须清晰认知其边界避免过度放大仿真结论保证评估可信。第一误差模型是理论简化模型。真实环境中建筑物非镜面反射、接收机天线方向图精细畸变、射频链路非线性效应很难被完全复现仿真得到的多径、电离层模型与真实环境存在差异仿真上表现优秀的大模型在真实城市峡谷中性能仍可能下降。即使选配天线仿真与多路径仿真选件与真实物理传播环境仍存在差距[9]。第二欺骗场景是预设欺骗范式。当前这类设备大多支持码同步渐进欺骗、功率优势欺骗与位置/速度/时间拉偏等模式但对于自适应智能欺骗、随载体运动动态调整欺骗参数的高阶攻击建模复杂度高仿真覆盖度有限[9]。第三仪器本身存在计量不确定度。通道同步误差、相位噪声与射频幅度误差会叠加到观测值上当评估厘米级PPP大模型时模拟器自身指标会成为评估误差的主要来源必须定期溯源校准并使用经过计量机构校准的设备开展数据集生成与算法验证工作[2]。行业通行的稳妥做法是模拟器仿真用于模型前期训练、参数筛选与边界压力测试最终定型阶段仍需要配合标定后的野外实测数据完成二次验证仿真与实测互为补充。七、总结与展望基于多星座导航信号模拟器构建可控标注数据集为导航大模型端到端定位算法提供了标准化、可复现的验证途径有效解决了恶劣GNSS场景样本稀缺、真值难以获取与试验不可重复的痛点适合自动驾驶、无人机、轨道交通等高可靠定位AI算法的研发。未来方向集中在三点一是三维场景驱动的动态多径仿真结合数字孪生城市模型生成与建筑几何强绑定的城市峡谷退化信号二是GNSS卫星模拟器与大模型自动联合搜索难例自适应寻找模型失效工况三是推动导航信号发生器生成数据集的格式与标签规范形成导航AI领域的公开基准数据集统一不同团队算法的对比基准。参考文献杨俊,陈建云,明德祥,等.卫星导航信号模拟源理论与技术[M].北京:国防工业出版社,2015.北斗/全球卫星导航系统(GNSS)信号模拟器 性能要求及测试方法:BD 420012-2015[S].2015.王晓燕,杨晶晶,黄铭,等.GNSS干扰和欺骗检测研究现状与展望[J].信号处理,2023,39(12):2131-2152.Humphreys T E, Bhatti J A, Shepard D P, et al. The Texas Spoofing Test Battery: Toward a Standard for Evaluating GPS Signal Authentication Techniques[C]//Proceedings of the 25th International Technical Meeting of the Satellite Division of the Institute of Navigation (ION GNSS 2012). Nashville: ION, 2012.Munin E, Blais A, Couellan N. Convolutional Neural Network for Multipath Detection in GNSS Receivers[EB/OL]. arXiv:1911.02347, 2019.Kanhere A V, Gupta S, Shetty A, et al. Improving GNSS Positioning Using Neural-Network-Based Corrections[J]. NAVIGATION: Journal of the Institute of Navigation, 2022, 69(4): navi.548. DOI:10.33012/navi.548.Rahman S M U, Bhuiyan M Z H, Nurmi J, et al. Tuni2025 GNSS—Galileo and GPS Spoofing Datasets (TG-GGSD)[J]. IEEE Data Descriptions, 2025.Kesic I, Blatnik A, et al. JaGNet: Detection, Identification and Position Error Correction of GNSS Jamming with Deep Temporal Graphs[EB/OL]. arXiv:2509.14000, 2025.