3. 无人机导航系统

无人机能够稳定悬停、按航线飞行并自动返航，依赖的不是单一传感器，而是一套以GNSS为绝对基准、以惯性/视觉/气压等为相对约束的组合导航系统。理解这套系统的层级关系与信号流向，是后续判断“欺骗攻击究竟打在哪一环、会造成什么后果”的前提。

一、GNSS在无人机中的核心作用

GNSS接收机为无人机提供三类关键信息：位置（经纬高）、速度（地速矢量）和时间（UTC授时）。这三者构成了导航解算的“绝对参考系”。

• 定位：通过至少4颗卫星的伪距观测解算三维位置与接收机钟差，输出WGS-84坐标下的经纬高。
• 测速：利用多普勒频移或载波相位变化率获得地速矢量，精度通常优于0.1 m/s。
• 授时：提供高精度时间基准，用于多传感器时间同步、航点触发与相机曝光控制。
• 航向辅助：双天线GNSS可测量航向角，为磁罗盘提供冗余。

在飞行控制中，GNSS位置与速度直接进入位置环和速度环，是“自动模式”（AUTO、RTL、LOITER）能否成立的基础。一旦GNSS输出被篡改，位置环会跟随虚假目标，导致无人机偏离航线甚至飞向攻击者指定坐标。

二、多传感器融合的基本原理

单一传感器各有短板：GNSS更新率低（约5～10 Hz）、易受遮挡与干扰；IMU更新率高（≥200 Hz）但存在积分漂移；气压计提供高度但受气流影响；视觉/光流在纹理丰富时精度高，弱光下失效。融合的目标是取长补短，输出连续、平滑、可信的导航状态。

主流方法是卡尔曼滤波及其非线性变体（EKF/UKF）。其核心思想是：用IMU做状态预测，用GNSS、气压、磁力计、视觉做量测更新，通过协方差矩阵动态分配各传感器的权重。

状态向量 x = [p, v, q, ba, bg]
预测：x_k = f(x_{k-1}, u_imu)
更新：x_k = x_k + K * (z_gnss - h(x_k))
其中 K 为卡尔曼增益，由预测协方差与量测噪声共同决定

关键点在于：融合算法会持续评估各传感器的“可信度”。当GNSS残差突然增大或与IMU预测严重不符时，滤波器会降低GNSS权重，甚至将其标记为异常。这正是GNSS欺骗检测的重要切入点。

三、典型导航架构与飞行控制链路

下图展示了一架多旋翼无人机的典型导航与控制链路：传感器层输出原始数据，融合层估计位姿，控制层解算电机指令，执行层驱动动力系统，同时存在一条从融合层回到传感器的健康监测与故障隔离路径。

从链路可以看出，GNSS欺骗发生在最左侧的传感器层，但其影响会沿融合层→控制层→执行层逐级放大。融合层的健康监测是抵御欺骗的第一道软件防线。

四、典型场景与误区复盘

场景：某植保无人机在自动航线作业中，GNSS被逐步拉偏（缓慢漂移式欺骗）。初期融合算法认为GNSS与IMU一致，未触发告警；当位置偏差累积到数米后，飞控开始修正航向，无人机缓慢偏离作业区。若此时操作员仅观察图传画面，很难察觉异常。