💻 computer science

SENTINEL-GNSS: Proactive Multi-Horizon Classification of GNSS Signal Degradation Using a Transformer-LSTM Network

SENTINEL-GNSS 是一个 Transformer-LSTM 网络，能够以高准确度和低延迟主动预测未来 5、15 和 30 秒内的 GNSS 信号退化情况，在域内和零样本评估中均显著优于现有基准模型，从而为自主导航完整性提供具有操作性的预警。

原作者： Joel Segun Ojerinde, Ibrahim Ishola Mustapha, Joshua Oluwaseun Ogunlade, Claudine Ingeriyinkindi, Md Harun Or Rashid, Wasiu Akande Ahmed

发布于 2026-10-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Joel Segun Ojerinde, Ibrahim Ishola Mustapha, Joshua Oluwaseun Ogunlade, Claudine Ingeriyinkindi, Md Harun Or Rashid, Wasiu Akande Ahmed

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

从自动驾驶汽车到送货无人机，自动驾驶车辆高度依赖全球卫星网络来精确获知自身位置。在视野开阔、天空晴朗的开放空间中，这套系统表现出卓越的精准度，能以米级的精度引导机器。然而，一旦这些车辆进入密集的城市环境，周围环境就会变得极具挑战性。高大的建筑阻挡了与卫星的直接视线，导致信号在到达接收器之前先在混凝土和玻璃表面发生反射。这种被称为“多路径效应”的现象，结合那些在经过表面反射后才到达的信号，创造了一种混乱的数据混合物，会使导航系统产生困惑。当车辆计算机接受这些受损信号时，它可能会突然认为自己已经偏离预定路径数米，对于任何高速运行的机器来说，这都是一个危险的错误。

多年来，解决这一问题的标准方法一直是反应式的。导航系统会等待检测到不良信号后，立即将其丢弃或切换到陀螺仪等备份传感器。这种方法的缺陷在于时机：等到系统意识到数据异常时，它已经使用了该数据来更新位置，从而可能导致车辆报告的位置发生突然且剧烈的跳变。一种更有效的策略是预测问题的发生，从而让系统能够提前做好准备。这正是北航大学研究人员所解决的核心挑战，他们开发出一种能够在信号退化发生前几秒钟就预见到它的方法。

由 Joel Segun Ojerinde 及其同事领导的研究团队创建了一个名为 SENTINEL-GNSS 的系统。该系统并非仅仅检查接收瞬间的信号质量，而是通过分析过去三十秒的历史数据来预测即将发生的情况。它分析了标准卫星接收器可以提供的三十七种不同测量指标中的一组特定指标，例如信号强度、可见卫星数量以及当前位置估计的精度。通过将这些历史数据输入到一个复杂的计算机模型中，该系统可以生成针对三个不同未来时刻的预测：分别是提前五秒、十五秒和三十秒。

其创新的核心在于模型本身的架构。研究人员结合了两种强大的人工智能类型。第一部分就像一个广角镜头，扫描整个三十秒的时间窗口，以理解信号行为的宏观图景。第二部分则像一个细心的观察者，追踪事件的先后顺序，以理解信号质量随时间的变化方式。这两部分组件共同作用，使系统能够识别出预示信号即将退化的微妙模式，例如信号强度的缓慢下降或可用卫星数量的突然减少，而这些现象在传统的导航滤波器察觉到问题之前就会出现。

为了训练这个系统，团队使用了在香港密集的城市峡谷中采集的大规模真实驾驶路线数据集。他们将数百万秒的数据分为三类：清晰信号、正在恶化的警告信号以及不可靠的退化信号。模型被教导去区分这些状态，并特别强调正确识别退化信号，因为错过这类警告可能会导致安全故障。训练过程采用了一种特定的技术，迫使模型额外关注那些罕见且危险的信号失效时刻，确保它不会因为这些时刻较为稀少而忽略它们，转而去关注更常见的良好信号。

他们的测试结果极具启发性。当在训练所在的同一座城市进行评估时，该系统成功地提前五秒可靠地预测了退化信号。至关重要的是，它捕捉到这些危险事件的频率明显高于通常用于类似任务的传统树状模型。虽然传统模型在获得整体平均得分方面略胜一筹，但它们经常会错过信号即将失效的具体时刻。相比之下，新系统优先考虑捕捉这些失效情况，而这正是最重要的安全指标。

或许最令人印象深刻的发现出现在研究人员在完全不同的城市——东京进行测试时，且在此之前并未向其展示过任何来自该地的数据。这是一个严苛的测试，旨在检验模型学习到的是关于城市信号行为的通用规则，还是仅仅记住了香港的具体街道。传统模型在这一新环境中表现惨淡，基本上失去了检测不良信号的能力。然而，新系统保留了预测退化的能力，证明它学习到了信号反射和遮挡的底层物理规律，而非仅仅是某一城市的地理信息。当该系统与传统模型结合成一个投票系统时，在东京的预测准确度进一步提升，达到了超越任何单一测试模型的可靠水平。

这种进步的实际价值通过将其预测集成到东京某车辆使用的导航滤波器中得到了验证。当系统预测五秒后将出现不良信号时，导航滤波器会自动降低对卫星数据的信任度，并在信号损坏实际到达之前更多地依赖其内部运动传感器。这种前瞻性的调整防止了此类场景中通常会出现的大幅位置跳变。结果显示，在驾驶过程中最困难的部分，定位误差减少了近百分之四十，这比等待错误发生后再做出反应的标准方法有了显著改进。

该研究还强调了其方法的高效性。整个模型足够小，可以安装在标准的导航计算机上，并且运行速度极快，能在瞬间生成所有三个未来时间维度的预测。这种速度意味着该系统可以进行实时部署，而不会拖慢车辆计算机的运行。尽管研究人员指出，他们的模型并非完美，在更换不同类型的卫星接收器时仍需要一些微调，但这种预见信号问题并在发生前采取行动的能力，代表了向前的实质性进展。通过从反应式转向前瞻式，这项工作为在现代复杂且不可预测的城市环境中实现更安全、更可靠的自动驾驶导航提供了一条路径。

技术摘要：SENTINEL-GNSS

问题陈述

依赖全球导航卫星系统（GNSS）的自主系统在密集的城市环境（“城市峡谷”）中面临重大挑战。由多路径效应和非视距（NLOS）接收引起的信号退化会导致载噪比（ $C/N_0$ ）骤降以及水平精度因子（HDOP）激增。这些事件会引入米级的定位跳变，从而破坏导航滤波器。

目前的缓解策略是反应式的：它们仅在退化发生时才检测到退化。当退化事件被确认时，导航滤波器（例如扩展卡尔曼滤波器）已经处理了受损的测量值，并根据错误数据更新了状态和协方差。恢复一致的状态需要复杂的后向平滑或完整性重置。此外，现有的用于 GNSS 信号特征提取的机器学习方法（例如随机森林、CNN-LSTM）主要侧重于当前时刻的检测或回归，未能提供主动式预警，从而使系统能够在退化到达之前做好准备。

方法论

数据集与特征工程

本研究利用开源的 UrbanNav 数据集，该数据集包含香港（训练）和东京新宿（零样本评估）的驾驶路线。

输入数据： 通过 RTKLIB（单点定位）处理的原始 GNSS 观测数据，生成 1 秒周期的观测值。
特征向量： 每秒提取一个 37 维特征集，包括定位解质量、 $C/N_0$ 统计数据、卫星可用性、稀释精度因子（PDOP、HDOP 等）、接收机状态、信号动态特性以及大气残差。
标签定义： 根据位置误差（ $\rho$ $ρ$ ）、平均 $C/N_0$ $C / N_{0}$ 和卫星数量（ $N_{sv}$ $N_{s v}$ ）分配三个互斥类别：
- CLEAN（清洁）： $\rho < 2.0$ m， $C/N_0 > 35$ dB-Hz， $N_{sv} \ge 6$ 。
- DEGRADED（退化）： $\rho > 5.0$ m 或 $C/N_0 < 30$ dB-Hz 或 $N_{sv} < 4$ 。
- WARNING（警告）： 所有其他情况。
窗口化： 使用 30 秒滑动窗口（ $W=30$ ）的 37 个特征作为输入。

架构：SENTINEL-GNSS

所提出的 SENTINEL-GNSS 是一个统一的深度学习架构，旨在实现多时界分类（multi-horizon classification）。它同时预测三个未来时间步的信号质量：+5s、+15s 和 +30s。

输入投影： 将 $30 \times 37$ 的输入张量通过带有批归一化的线性层投影到 128 的模型维度，随后进行固定的正弦位置编码。
Transformer 编码器： 两层 Transformer 编码器（8 个注意力头，前馈维度 512）处理序列，以捕捉 30 秒窗口内的全局时间依赖性。
LSTM 解码器： Transformer 的输出被送入两层单向 LSTM（隐藏维度 256）。该组件提供因果状态跟踪，通过定向累积信号历史来抑制虚警。
分类头： 四个独立的线性头从最终的 LSTM 隐藏状态分支出来：
- 三个分别对应时界 $h \in \{5, 15, 30\}$ 秒的主分类头。
- 一个辅助头用于当前时刻（ $h=0$ ），以正则化共享表示。
训练目标： 模型使用**类别平衡焦点损失（class-balanced focal loss）**进行训练，以解决类别不平衡问题（CLEAN:WARNING:DEGRADED $\approx$ 18%:60%:22%）。该损失函数通过特定的权重（ $\alpha = [1.0, 2.0, 5.0]$ ）和焦点指数 $\gamma=1.0$ 优先考虑少数类“DEGRADED”。

核心贡献

统一的多时界框架： 与以往专注于单时刻检测或回归的工作不同，SENTINEL-GNSS 提供了一个统一的模型，能够同时对多个未来时界（5s, 15s, 30s）进行信号质量分类，解决了以往工作未能从统一模型中实现同步多时界信号质量分类的问题。
主动安全指标优化： 通过采用焦点损失和类别加权，模型明确地将安全性至上的“DEGRADED”类的召回率置于整体准确率之上，在 5s 时界实现了 0.847 的召回率。
零样本跨城市泛化： 研究表明，该模型在完全未见的城市（东京）和不同的接收机硬件（Trimble 对比 u-blox/NovAtel）上仍保留了预测能力，而在这些场景下传统的树模型表现不佳。
系统的基准测试： 本文严谨地包含了“持久性（persistence）”基准（即将当前标签复制到未来时界），从而确立了任何主动式模型必须优于简单的自相关模型，才能声称具有真正的预测能力。

实验结果

域内性能（香港）

聚合指标： 树模型（随机森林、XGBoost）在聚合 Macro-F1 指标上优于 SENTINEL-GNSS（XGBoost: 0.919 vs. SENTINEL-GNSS: 0.821）。这归因于数据集依赖于瞬时特征，浅层决策边界已足够。
安全性关键指标： SENTINEL-GNSS 在 DEGRADED 类召回率上显著优于树基模型（0.847 vs. 树模型的 ~0.722），提升了 12 个百分点。这表明其在检测即将发生的失效方面具有卓越能力。
效率： 该模型在 NVIDIA Tesla T4 GPU 上运行速度为 0.045 ms 每窗口，通过单次前向传播即可交付所有三个时界的输出，比运行三个独立的树模型快 9.5 倍。

跨城市泛化（东京新宿）

模型鲁棒性： 在东京数据的零样本评估中：
- 随机森林崩溃，其 DEGRADED F1 从域内（香港）的 0.822 降至 0.148。
- XGBoost 保持稳健（DEERADED F1 = 0.784）。
- SENTINEL-GNSS 保持了强劲性能，DEGRADED F1 为 0.753。
集成性能： SENTINEL-GNSS 与 XGBoost 的软投票集成达到了最高的跨城市性能，Macro-F1 为 0.892，DEGRADED F1 为 0.896。

导航集成

研究将 SENTINEL-GNSS 的预测集成到东京路线上的一套自适应扩展卡尔曼滤波器（EKF）中。

机制： 当模型预测 +5s 时存在高概率退化时，EKF 会增加测量噪声协方差（ $R_t$ ），在退化发生前降低 GNSS 测量值的权重，转而信任 IMU。
结果： 与原始 GNSS 相比，这种主动式方法在退化路段将定位 RMSE 降低了 38.7%（从 47.4 m 降至 29.0 m），表现优于 Huber EKF 和 Student-t 粒子滤波器等稳健基准。

重要性与主张

本文主张，主动式多时界分类是实现导航完整性管理的切实可行且必要的步骤。

可操作的预警： 系统提供 5–30 秒的前置预警，允许导航滤波器在处理受损数据之前做好准备（例如，降低 GNSS 权重，激活替代传感器）。
泛化能力： Transformer-LSTM 架构捕捉的是信号动态特性（例如 $C/N_0$ 下降的模式），这些特性比基于特定特征记忆的树模型更具环境无关性，从而实现了跨城市和跨接收机类型的迁移。
设计权衡： 作者承认，虽然该模型在域内的聚合 Macro-F1 低于树基模型，但这是为了最大化安全性召回率而进行的刻意设计选择。该模型的真正价值在于其检测少数类“DEGRADED”并泛化到未知环境的能力，而非仅仅追求整体准确率。

研究结论指出，尽管仍需进行校准和进一步的多城市验证，但 SENTINEL-GNSS 成功证明了深度学习可以提供在复杂城市环境中维持导航完整性所需的提前量。