随着信息化向多维物理空间深度拓展,时空信息主导权已成为大国战略竞争的核心领域之一。面向国家综合定位、导航与授时(PNT)体系发展需求,探讨了制权博弈体系的内涵与技术演进,梳理了从制海权、制空权、制天权到制电磁权与制信息权的跨域协同发展脉络,重点分析了制导航权在对抗环境下的技术发展路径。通过归纳美国、俄罗斯等国家在导航对抗中的技术体系构建策略与发展趋势,剖析了现有卫星导航系统在服务端与应用端的相关脆弱性,探究了天基弹性PNT与智能多源自主导航等关键技术方向。最后,从体系对抗和认知域等维度展望了制导航权技术的未来趋势,以期为我国新一代综合PNT体系建设提供技术参考。

自主导航技术作为无人系统等关键平台不可或缺的核心技术,其战略价值与应用前景日益凸显。然而,在城市峡谷、室内、水下等卫星拒止环境中,依赖全球导航卫星系统的传统导航方式易受干扰,导致精度骤降或定位失效。近年来,深度学习技术的快速发展,为构建高精度、强鲁棒、全自主的导航系统提供了新思路。聚焦卫星拒止时深度学习辅助自主导航技术,深入调研并剖析深度学习辅助惯性导航技术、拒止条件下多源智能导航技术、深度学习赋能滤波融合技术三方面研究进展,最后展望了深度学习辅助自主导航技术的未来发展趋势。

自主导航是衡量机器人智能化水平的核心能力。传统导航框架普遍依赖连续且精确的定位信息,在长廊等感知退化场景中易因定位失效而崩溃。同时,单一规划策略也难以兼顾多变环境下的效率与安全性。为应对此挑战,提出了一种基于点云场景理解与拓扑规划的自适应导航框架。通过基于稀疏体素卷积神经网络场景导航理解的导航策略切换方法,识别开阔区域、狭窄通道和房间等空间结构,设计面向场景特征的导航策略自适应切换方法。提出改进的 Zhang-Suen中线提取方法,结合骨架结构剔除冗余节点与分支,增强拓扑地图对环境空间布局的表达能力。设计了一种启发式A^*算法,利用中线拓扑实现与通道结构对齐的路径引导,提升机器人在狭窄空间中的通行稳定性与安全裕度。试验结果表明,在狭窄环境中,所提方法较主流局部路径规划方法导航耗时平均减少13.1%,路径平滑度平均提升34.6%,并在定位失效情况下保持稳定、安全运行。

具身智能的行为学习依赖于高质量机器人操作数据,但真实机器人数据采集成本高且规模有限,而互联网视频数据虽规模庞大却缺乏动作状态标签。针对无标注视频中状态表征提取困难的问题,提出了一种基于视频预训练的具身智能行为学习方法。首先,构建视频无监督预训练框架,通过特征提取编码、动静态特征分离和跨帧一致性约束实现潜在状态提取;其次,设计多模态Transformer架构,结合分块注意力机制与动态动作头完成多模态信息融合与自适应动作生成。仿真结果表明,本文方法在CALVIN及SIMPLER仿真环境中的任务执行中的性能相较于基线方法Moto最高提升32.96%,在未知环境泛化性和环境鲁棒性测试中均表现出显著优势,有效提升了具身智能的行为学习能力。

GNSS欺骗攻击可导致自动驾驶汽车被攻击者隐蔽操控,严重威胁道路交通安全。针对现有检测方法存在的应用场景受限、实时性不足等问题,提出了一种基于LSTM和注意力机制的欺骗检测方法。该方法通过构建LSTM-Attention模型,实现多传感器数据融合与车辆运动状态估计,进而通过航迹推算生成参考轨迹,并借助轨迹一致性检验判别欺骗行为。为降低累积误差对定位精度的影响,引入滑动时间窗口机制,在窗口内进行误差校正,并对比参考轨迹与GNSS导航解之间的相似性。实验结果表明,所提方法在保持低虚警率的前提下,对突变型欺骗的检测率达到97.5%,优于现有的基准方法,且能够满足实时检测需求。

在复杂动态环境中实现高效避障与稳定导航是服务机器人发展的关键挑战。传统方法依赖静态地图或频繁迭代计算局部最优轨迹,在动态狭窄通道环境下易陷入局部最优或发生碰撞。为此,提出了一种融合时空感知与知识蒸馏的端到端导航框架。该方法引入 PredRNN结构建模图像序列以捕捉时空特征;其次,设计“教师-学生”架构,利用基于激光雷达与动态障碍先验知识的教师网络获得高质量策略,对以深度图像为输入的学生网络进行感知与行为蒸馏,使其继承教师知识并具备鲁棒决策能力。实验结果表明,该方法在复杂动态场景下的到达率相比最优基线提升了13%。综上,该框架突破了传统方法在动态、狭窄和感知受限环境中的局限,展现出更强的泛化性与适应性,为服务机器人在真实复杂环境中的安全高效运行提供了新思路。

惯性测量单元在自主导航定位中发挥着重要作用,但其测量误差会随着时间呈指数级增长。提出了一种基于时频特征编码神经网络的行人惯性导航方法,将惯性数据的时序序列与经过Haar变换得到的频域序列分别作为神经网络的输入,通过惯性时频特征编码器分别提取时域和频域特征,并通过多头注意力机制自适应地融合并学习不同时间步和频率分量之间的依赖关系。再将神经网络的预测结果通过扩展卡尔曼滤波框架与惯性运动模型融合,以进一步优化状态估计。在公开数据集TLIO和RoNIN上的实验结果表明,相比于基准方法TLIO,本文方法在绝对轨迹误差、相对轨迹误差和漂移率上分别降低了10.8%、17.7%和12.9%,展现了在行人复杂运动场景中的高精度和鲁棒性。

随着国际贸易和海上运输规模的不断扩大,基于船舶自动识别系统的船舶轨迹预测,作为智慧航运与海事监管的核心技术,正面临越来越高的精度与鲁棒性要求。为应对复杂航行环境中常见的观测扰动与预测精度不足,构建了一种兼具高精度预测能力与抗噪鲁棒性的船舶轨迹预测框架。具体而言,提出了融合门控循环单元与多尺度自注意力机制的新型预测模型——GRU-MSAformer。模型首先通过GRU提取局部时间依赖特征,随后引入多尺度自注意力机制,对不同时间尺度下的轨迹行为进行建模,实现对噪声的自适应过滤。实验结果表明,GRU-MSAformer在无噪声和高斯噪声干扰条件下均展现出优越的性能。在10~40 min的预测任务中保持较低误差,且在不同噪声强度下仍能维持稳定的预测精度。

随着核技术的广泛应用,利用移动机器人代替人工进入未知辐射环境执行核应急任务愈发重要。然而,机器人受限于探测时间与传感器性能,仅能获取稀疏的辐射数据,但为了便于开展核安全监测工作,必须获取环境中的辐射场分布和放射源的位置。针对上述问题,提出一种融合二维激光SLAM与辐射特征的源项定位方法。该方法利用移动机器人搭载核辐射探测器、激光雷达等传感器进行辐射数据采集和环境地图构建;然后,基于高斯过程回归方法反演出区域辐射场,并将反演的辐射场融合到SLAM环境地图中;最后使用霍夫变换方法定位未知放射源。此外,在放射源存在的真实环境下开展了实验验证,实验结果表明:在采用Gmapping、Hector和Cartographer三种激光SLAM算法构建占用栅格地图的基础上,空地和厂房两种环境中均能够完成全局辐射环境地图的融合,且定位精度高于0.29 m。

低成本惯性测量单元存在的交轴耦合误差、比例因子偏差和时变噪声会显著降低姿态估计精度,而现有神经网络去噪方法在多维误差建模中存在明显局限性。提出一种融合时间和通道注意力机制的陀螺仪自适应动态补偿网络,采用卷积神经网络进行特征提取,通过通道注意力机制优化多轴特征权重,借助时间注意力机制平衡各时刻特征贡献,从而提升网络的精度和鲁棒性。在EuRoC数据集上的实验表明:通道注意力机制能显著提高动态补偿精度;时间注意力机制可平衡三轴的精度,但无整体性能增益;二者结合虽有一定改进,但部分场景下其相互作用可能阻碍性能达到最优水平。该结果验证了多注意力机制在惯性传感器误差建模中的有效性,并为低成本陀螺仪动态补偿算法设计提供了新见解。