GNSS 拒止环境下的多源融合定位技术综述：惯导、SLAM、5G 与因子图优化

本文梳理卫星导航信号失效的物理机理，对比惯性导航、视觉里程计、激光 SLAM、UWB 与 5G/6G 定位的精度边界，并深入融合解算层比较卡尔曼滤波与因子图优化两类框架，最后给出全场景 PNT 冗余的技术图景。

0. 摘要

卫星导航并非无处不在。当车辆驶入隧道、行人走进楼宇、无人机穿行于城市峡谷，GNSS 提供的时空基准随时可能丢失或被污染。在下一代 PNT 体系中，如何在卫星信号拒止时维持连续、可信的定位，已成为自动驾驶、机器人与地下作业落地的核心工程问题。

关键词：GNSS 拒止；惯性导航；激光 SLAM；UWB；5G 定位；多源融合；因子图

1. 卫星定位的边界：城市峡谷、隧道与室内的失效机理

GNSS 的底层原理是无线电测距与球面交会：接收机测量带时间戳的卫星信号传播时延并换算为伪距，至少同时观测 4 颗卫星才能解算三维坐标与接收机钟差。这一前提隐含了一个关键假设——信号沿干净的视距路径传播。该假设在开阔天空下基本成立，却在三类场景中系统性失效。

1.1 信号完全遮挡

卫星导航信号从两万公里高空传到地面，落地功率已淹没在热噪声之下，需要依靠扩频增益才能被捕获，穿透能力极弱。车辆进入隧道、人员走入地下车库与建筑内部、机器人在矿井地下作业时，信号被岩土、混凝土与钢结构直接截断，定位能力瞬间归零，且中断可能持续数秒到数十分钟不等。

1.2 多径与非视距（NLOS）污染

典型场景是城市峡谷。密集建筑群中，卫星信号经玻璃幕墙、高架桥面反射后再到达天线，传播路径长于真实几何距离，伪距与载波相位观测值严重失真。这类失效的危险之处在于其“欺骗性”：可见卫星数量表面上依然充足，接收机自认为工作正常，实际输出位置却可能偏移数米乃至数十米。

传统对策以天线扼流圈、信号质量阈值筛选等物理与规则手段为主，效果有限；新一代方案尝试用机器学习识别并剔除 NLOS 信号，但在高密度城区仍难以做到百分之百可靠，这被普遍认为是厘米级定位在城市落地的最大瓶颈。

1.3 部分衰减与几何构型退化

密林、高架下、行道树遮蔽等场景中信号并未完全丢失，但可见卫星数骤减、空间几何分布恶化（PDOP 增大），定位精度从米级滑落到十米级，且输出跳变、可用性抖动。

由此可见，GNSS 拒止在工程上并非非黑即白的二值状态，而是一条谱系：从完全拒止（隧道、地下、室内），到严重退化（城市峡谷），再到轻度污染（树荫、屋檐）。这决定了补位技术必须分层配置——没有任何单一传感器能独立覆盖全部场景。

2. 自主定位技术谱系：惯导、视觉、激光与 UWB

在多源感知层中，成熟度较高的补位技术可分为惯性、视觉、激光、超宽带四条路线，各有截然不同的误差特性与适用边界。

2.1 惯性导航（IMU）

IMU 是唯一完全自主、不依赖任何外部信号的航位推算手段：加速度计测量比力、陀螺仪测量角速度，经积分得到姿态、速度与位置。其核心价值在于短时桥接——车辆穿越隧道、信号被高架短暂遮挡的数十秒内，IMU 可以维持位置输出，实现无缝接管。

但积分过程决定了其误差随时间累积：消费级 MEMS IMU 的陀螺零偏稳定度通常在每小时数十度量级，纯惯导推算数分钟漂移即达米级以上；车规级与战术级 MEMS 器件可将桥接时间拉长；光纤 IMU 精度更高、可独立工作更久，但成本高、功耗大，难以普及到手机与小型机器人等消费级终端。换言之，惯导是优秀的“接力者”，却不是合格的“长跑者”。

2.2 视觉里程计与视觉 SLAM

通过相邻帧图像的特征匹配或光度对齐估计相对运动，典型相对漂移约为行驶距离的 0.5%～2%。优势是硬件成本低、信息维度丰富，可同步提取语义与车道结构；短板是对环境纹理与光照高度依赖——白墙、夜间、逆光、雨雾条件下性能急剧退化，且单目方案存在尺度模糊，必须借助其他传感器或运动激励恢复真实尺度。

2.3 激光 SLAM

以点云配准与回环检测构建相对定位，典型漂移约 0.1%～0.5%，对光照变化不敏感，在地下车库、隧道、矿山等弱光环境是事实上的主力方案。其局限同样源于环境特征依赖：长走廊、空旷广场等几何退化场景会导致点云匹配约束不足，动态车流会污染配准；此外高线数激光雷达成本仍然偏高，固态化与降本正在推进之中。

2.4 UWB

UWB 走的是基础设施路线：利用纳秒级极窄脉冲测量飞行时间，多径分辨能力强，室内定位精度可达 10～30 厘米，广泛应用于工业人员定位、资产追踪与数字车钥匙。其约束同样来自基础设施——需预先布设基站网络，覆盖范围即服务边界，且部署与维护成本随面积线性增长。

四类技术的典型特性对比如下：

技术	典型精度量级	定位性质	外部依赖	主要短板
MEMS 惯导	桥接分钟内米级漂移	相对（航位推算）	无，完全自主	误差随时间累积
光纤惯导	漂移低一个数量级	相对（航位推算）	无，完全自主	成本高、功耗大
视觉里程计 / SLAM	0.5%～2% 相对漂移	相对	光照、纹理	弱纹理与夜间退化、尺度模糊
激光 SLAM	0.1%～0.5% 相对漂移	相对	环境几何特征	长走廊等退化场景、成本较高
UWB	10～30 cm	绝对	基站部署	覆盖受限、基建成本高

可以看到一条清晰的能力互补线：惯导提供不依赖环境的连续性，视觉与激光提供抑制漂移的环境约束，UWB 提供室内的绝对基准。三者单独都不足以支撑全场景定位，多源融合因此成为必然而非可选。

落到车载终端这一侧，工程上还要再往下拆一层。以伴车星这类车载定位安全平台为例，车辆侧要同时处理三件事：多模定位——北斗与 GPS 双系统叠加 LBS 基站辅助定位，在隧道、地下车库、城市峡谷等卫星信号遮挡场景用基站与惯性推算补位，保证位置不中断；高可用——7×24 小时连续输出，断网、断电、拆机等异常要被识别并及时上报；可信——定位跳变、速度异常、信号强度突变这类疑似干扰与欺骗的迹象要被检测出来并触发告警。厘米级定位下沉到车载终端之后，精度越高，对定位完好性与抗欺骗能力的要求也越高。

3. 通信定位一体化：5G 载波相位与 6G 展望

如果说惯导与 SLAM 解决的是“自主推算”，蜂窝通信定位则开辟了另一条路径：复用密集部署的基站设施，把通信网络变成一座“地面伪卫星星座”。

5G 之所以被寄予定位厚望，来自三项物理资源：

• 大带宽：百兆赫兹级带宽将飞行时间测量的分辨率推进到米级乃至亚米级；
• 大规模天线阵列：Massive MIMO 支持到达角（AoA）估计，为定位提供方向维度约束；
• 载波相位测距：与 GNSS 精密定位同源的方法论，利用载波相位实现毫米至厘米级测距，配合城市地区数百米站间距的高密度基站做差分处理、解算整周模糊度，理论上可实现厘米级地面定位。

但必须承认现状与愿景之间的差距：现网商用体制下，面向大众终端的 5G 定位（如 OTDOA）精度仍在米级；载波相位厘米级方案对基站间时钟同步精度、网络协同与几何构型都有苛刻要求，目前处于标准演进与试验验证阶段。此外，通信定位的覆盖严格绑定基站密度，郊区与野外服务能力有限；其信号同样面临干扰与欺骗风险，在安全关键场景中应作为交叉校验源而非唯一信任源。

6G 的设想更进一步：将通信、感知、计算一体化（ISAC）作为原生能力，利用毫米波乃至太赫兹频段获得更大带宽与更细角度分辨率，让基站兼具雷达式感知功能，使“接入网络”等同于“接入定位服务”。在下一代天地一体 PNT 体系的构想中，天基的低轨导航增强星座与地面的 5G/6G 定位网络互为备份，构成空、地两层冗余。

4. 多源融合解算：算法框架与工程挑战

传感器就位之后，真正的战场转移到融合解算层：对不同传感器的误差特性分别建模、动态加权，完成 GNSS、IMU、视觉、激光与通信定位结果的时空对齐与误差抑制，最终输出连续、带完好性标记的定位结果。

4.1 卡尔曼滤波框架

工程上多为扩展卡尔曼滤波 EKF，以递推估计为核心：预测—更新循环天然适配流式传感数据，计算量小、实时性强，是嵌入式与车规平台的默认选择。其弱点在于强非线性下线性化误差显著，且历史信息被压缩进当前状态后难以回溯修正——一次错误的线性化点可能长期拖累精度。

4.2 因子图优化框架

将问题重构为图优化：每个传感器观测建模为一个因子节点，位姿与速度等作为待优化变量，在滑动窗口内求解全局最大后验估计。它天然支持乱序量测、回环约束与鲁棒核函数（对野值观测降权甚至剔除），精度上限高于滤波；代价是计算复杂度更高，近年来随着增量式求解器成熟与车载算力提升，已在自动驾驶与机器人技术栈中大规模落地。

实践中两者常常并存：滤波器保障实时输出，因子图负责全局一致性与事后优化。此外，AI 多径识别正成为融合层的新增元素——神经网络综合信噪比、伪距残差乃至相机影像与三维建筑模型，判别并剔除 NLOS 污染观测值，显著提升城市场景的定位稳定性。

4.3 五个工程难题

1. 时空对齐。GNSS、IMU、相机、激光雷达与 5G 基站的时间基准与输出频率各不相同（从 10 Hz 到数百赫兹），坐标基准也不统一；毫秒级时间同步误差在高速运动下即可折算为米级位置偏差，必须先完成精确对时与基准统一，融合才有意义。
2. 外参标定漂移。传感器间的安装方位角与杆臂会随振动、温度缓变，出厂标定会逐渐失效，工程上需要低成本、自标定的在线外参估计，否则融合精度随运行时间退化。
3. 动态应力下的发散。高速运动、剧烈振动、急转弯场景中，融合滤波器容易出现状态发散，需要自适应噪声建模、故障检测与快速重收敛机制兜底。
4. 成本与功耗约束。厘米级接收机与光纤 IMU 成本高、功耗大，难以普及到消费级终端；大规模落地依赖 MEMS 惯性器件与多频 GNSS 芯片持续降本，并以算法冗余弥补硬件降级的“软件定义”思路。
5. 完好性输出。安全关键场景不仅要求定位准，更要求系统“知道自己何时不可信”——融合层必须实时给出误差界估计与失效告警，这是自动驾驶决定继续行驶还是降级靠边停车的前提条件。

5. 全场景 PNT 冗余

多源融合的终极形态不是传感器堆料，而是构建全场景 PNT 冗余：开阔环境以多星座 GNSS 与低轨增强为主基准；城市峡谷由 GNSS、5G 与 AI 多径抑制交叉校验；隧道与地下由激光 SLAM 与惯导接管；室内由 UWB 与通信定位提供绝对约束；融合层根据场景可用性无缝切换信源并持续标记完好性。任何单一环节的失效，都不应导致定位能力的整体丧失。

6. 小结

GNSS 拒止环境从来不是定位技术的盲区，而是检验 PNT 体系成熟度的试金石。惯导给出无依赖的连续性，视觉与激光从环境中提取位置约束，UWB 与 5G/6G 把基础设施变为定位锚点——每一种手段都有明确的能力边界，而滤波与因子图框架将它们组织成一个大于部分之和的整体。从“以卫星为中心”走向“以多源冗余与智能融合为中心”，标志着高精度定位正在从一项天基服务，演化为覆盖室内室外、地上地下的全空间时空基础设施。