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 dBm～+0 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.