GNSS拒止环境下的无人机导航技术综述：计算复杂性、传感器融合与定位方法分析

作者与发表信息
本文由Imen Jarraya、Abdulrahman Al-Batati等来自沙特阿拉伯Prince Sultan University的研究团队合作完成，发表于2025年的开放获取期刊 *Satellite Navigation*（Volume 6, Issue 9），遵循CC BY 4.0国际许可协议。

研究背景与目标
全球导航卫星系统（GNSS）在无人机（UAV）导航中扮演核心角色，但在信号受阻或不可用的环境中（如城市峡谷、地下或电磁干扰区域），其可靠性显著下降。本文系统综述了GNSS拒止环境下无人机导航的技术进展，重点分析了绝对定位（Absolute Localization, AL）与相对定位（Relative Localization, RL）两大分类框架下的方法、传感器融合策略及计算复杂性挑战。研究旨在为复杂环境中的无人机自主导航提供理论支持与技术路线。

核心内容与主要观点

1. 绝对定位（AL）技术
AL通过全球地球坐标系确定无人机位置，依赖预先构建的地形或地图数据。核心方法包括：
- 地形参考导航（TRN）：如TERCOM（Terrain Contour Matching）和SITAN（Sandia Inertial Terrain-Aided Navigation），通过雷达高度计与数字高程模型（DEM）匹配实现定位。TERCOM在特征明显的地形中精度高，但在平坦区域性能下降；SITAN通过实时滤波（如卡尔曼滤波）优化动态适应性。
- 数字场景匹配区域相关器（DSMAC）：基于视觉场景与预存地图的匹配，适用于缺乏高程变化的区域。实验数据显示，DSMAC在城区环境中定位误差可控制在5米以内。

支持证据：
- 引用He et al. (2020)的混合GNSS-LiDAR-SLAM方法，证明AL在开阔地形的有效性；
- Wang et al. (2023)提出的WAMF-FPI网络通过多特征融合将语义定位精度提升至亚米级。

2. 相对定位（RL）技术
RL基于局部坐标系，适用于无GNSS信号的动态环境。关键技术包括：
- 视觉惯性里程计（VIO）：融合摄像头与惯性测量单元（IMU）数据，如VINS-Mono在2.5公里路径中实现零漂移（Qin et al., 2018）。
- 同步定位与建图（SLAM）：LiDAR-SLAM在低能见度环境中表现优异，Ho et al. (2021)通过优化闭环检测参数将处理速度提升45%。
- 深度学习辅助导航：如Deraz et al. (2023)的LSTM模型将速度误差降低63%，显著改善长时GNSS失效下的稳定性。

支持证据：
- 香港科技大学实验验证VINS-Mono在5.62公里户外路径中的厘米级精度；
- PO-MSCKF算法（Xueyu et al., 2024）通过姿态优化在EUROC数据集中实现0.28米RMSE。

3. 传感器融合与挑战
- 多模态融合框架：结合视觉、LiDAR、IMU等多传感器数据，但需解决计算负载与实时性矛盾。例如，GPU加速的VIO系统（如NVIDIA Isaac ROS）可实现250Hz的位姿更新。
- 环境适应性：视觉系统在低光照下性能退化，而LiDAR受天气影响。解决方案包括UWB（超宽带）辅助定位（Cui et al., 2024）与机械天线（MA）磁信号定位（误差0.43米/549米）。

4. 未来方向
- AI驱动的语义导航：如Liu et al. (2024)的SEGCN模型通过跨视角语义图卷积网络提升场景理解；
- 轻量化硬件：如FPGA加速的滤波算法可降低功耗，适应小型无人机平台。

学术价值与实践意义
本文的贡献在于：
1. 分类体系创新：首次将GNSS拒止导航技术明确划分为AL与RL，为后续研究提供结构化框架；
2. 技术整合：强调多传感器融合与AI算法的协同潜力，如TRN与SLAM的混合应用可覆盖从高空到低空的全场景需求；
3. 应用指导：针对固定翼与旋翼无人机的不同飞行特性（如高度、速度），提出差异化技术选型建议。

亮点
- 全面性：涵盖132篇文献，70%为期刊论文，54.8%含实验验证；
- 前瞻性：提出“可解释AI”在导航中的必要性，解决传统黑箱模型的可靠性问题；
- 跨领域参考：借鉴水下机器人（AUV）的地形导航经验，拓展至无人机领域。

局限与展望
当前技术仍受限于实时处理能力与复杂环境鲁棒性。未来需聚焦：
- 动态校准：开发自适应传感器权重分配算法；
- 标准化：建立GNSS拒止环境的统一测试基准（如数据集与误差度量）。

本文为无人机在军事、灾害救援等关键场景中的可靠导航提供了理论基石与技术路线图。