1.美学者在Inside GNSS刊文分析低轨PNT向可信基础设施转型的三大核心问题。
Inside GNSS网站2026年8月6日报道，学者扎克·卡萨斯（Zak M. Kassas）撰文分析称，低地球轨道定位、导航与授时（LEO PNT）正从技术演示迈向服务信任体系建设，并提出该转型中的三大核心问题。卡萨斯指出，当前LEO PNT的四个技术流派：专用导航星座（如Xona、TrustPoint、Centispace）、双用途通信与PNT融合系统（如铱星Iridium）、以欧洲航天局（ESA）Celeste愿景为代表的GNSS增强架构，以及利用一切可跟踪信号的机会型导航，均需面对运行成熟度、小规模星座价值释放与用户信任构建三大共同挑战。在运行成熟度方面，专用系统须同步构建星座、时频体系、监测网与接收机生态，面临从演示向基础设施的艰难跨越；而依托现有通信基础设施的铱星PNT已实现运行，是当前最成熟的案例；增强型架构因不要求取代全球导航卫星系统（GNSS），仅需改善可用性或加速精密单点定位（PPP）收敛，壁垒最低；机会型系统则需从非合作信号中挖掘导航观测量，其“运行化”定义最为模糊。在小规模星座价值释放方面，价值并非仅在实现全球连续覆盖之后才出现，单个LEO卫星可凭借其高动态产生的大多普勒频移，支持授时传递、接收机测试和时钟估计验证。当与GNSS组合时，即便是少量LEO卫星的部署，也可改善PPP收敛速度、测速精度，并增强城区等几何受限环境中的韧性与测量多样性。在用户信任构建上，信任不局限于信号波形设计，更取决于轨道确定精度、时钟同步方案与完好性监测-连续性保障。LEO卫星受大气阻力影响大且轨道机动频繁，轨道确定是导航性能的基石。完好性需解决系统在不可信时能否检测并告警，连续性则要求将演示转化为不间断服务。卡萨斯总结，LEO PNT的未来核心命题已不再是“能否工作”，而是“用户信任之前必须发生什么”。该答案将决定其成为利基技术、有价值的增强层，还是下一代PNT生态的基石。
2.伽利略信号认证服务启动内部测试，全星座E6-C加密计划2026年完成。
2026年8月6日，欧盟太空计划署发布消息称，伽利略卫星导航系统的信号认证服务（SAS）已进入内部测试阶段，目标是在2026年内在整个伽利略星座（除IOV试验卫星外）完成E6-C信号分量的加密，从而向民用用户提供更强的定位、导航与授时服务可信度。伽利略开放服务导航电文认证（OSNMA）已于2025年7月24日正式宣布投入运行，这是伽利略系统向民用用户提供认证能力的第一步，允许用户验证导航信息确实来自伽利略系统本身且未被篡改。OSNMA将很快由SAS予以补充，进一步深化对伽利略赋能PNT服务的信赖。此次披露的SAS部署细节显示，伽利略目前正完成SAS服务关键要素的鉴定工作，涉及地面任务段（GMS）和欧洲GNSS服务中心（E-GSC）的能力升级。GMS负责管理用于E6-C信号分量加密的密码材料，并以安全方式将其递送至伽利略空间段，同时在加密后对E6-C信号进行跟踪。E-GSC内部的SAS服务器则生成重新加密码序列（RECS），通过互联网分发给SAS用户。RECS文件包含伽利略E6-C信号分量的扩频码序列，这些序列使用OSNMA未来的密钥进行重加密。内部测试活动已于2025年12月3日启动，当日通过第21号服务通告宣布对L3卫星的E6-C分量实施加密。后续将把加密扩展至伽利略空间段其余卫星，目标是在年底前开始。在计划于2026年内达成的最终构型中，除用于支持SAS服务发展的伽利略IOV卫星外，整个星座的E6-C信号分量将全部加密。未来数月，伽利略计划将在欧洲GNSS服务中心网站发布包括接口控制文件和接收机指南在内的官方文件，以支持用户实施信号认证服务。
3.欧盟太空计划署表示，人工智能正将卫星数据转化为应对地球重大挑战的关键工具。
2026年8月4日，欧盟太空计划署（EUSPA）指出，人工智能（AI）已成为将海量卫星数据转化为应对气候变化、灾害响应等地球重大挑战的实用解决方案的核心工具。EUSPA于2026年5月发布的《欧盟航天市场报告》分析指出，全球航天下游部门正加速超越传统对地观测（EO）和全球导航卫星系统（GNSS）的边界，融入AI、机器学习等新兴协同能力，从而在农业、环境、基础设施监测及灾害管理等众多细分市场增强韧性、安全性和运行效率。AI已成为解译卫星数据的核心工具，能够自动处理大规模影像和传感器数据流，支持基础设施预测性维护、提升海上导航精准度并辅助智能出行解决方案。从具体实施机制来看，AI解锁卫星情报的路径呈现多层级态势。在物流运输方面，GNSS赋能的无人机服务借助AI融合导航、定位与数据处理；在港口场景中，将EO影像与基于GNSS的追踪数据结合AI及数据分析，可改善态势感知并支持货物安全应用。在大尺度地球环境监测层面，由“地平线欧洲”计划资助的UNICORN项目利用AI与哥白尼星座每日产生的数十太字节数据，将复杂卫星观测转化为包括野火着火点在内的气候风险早期预警与预报工具，其研究人员还开发了火势蔓延预测模型，使消防部门能够识别最具火灾风险潜势的区域。同时，EU资助的SPACE4Cities项目基于哨兵-1号和哨兵-2号卫星数据，结合陆基传感器信息，通过AI模型展示城市局部街区层级每小时二氧化碳排放量。此外，ENHANCE项目运用AI算法分析西班牙巴塞罗那和希腊帕加提蒂科斯湾沿海地区所承受的城市化、农业及极端气候复合压力，将交付三款新产品以支撑气候韧性沿海区域的有效决策。
学术动态
基于视觉语言模型的GNSS欺骗检测在自动驾驶车辆导航中的应用（Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation）
2026年7月27日，本论文发布于arXiv平台，稿件已投递至《NAVIGATION》期刊处于同行评审阶段，由克莱姆森大学、阿拉巴马大学研究团队共同完成，首次提出基于视觉语言模型（VLM）的自动驾驶GNSS欺骗检测框架，针对现有检测方案仅从几何、信号维度校验、易被隐蔽式欺骗攻击绕过的缺陷，从驾驶行为语义层面实现异常识别。
自动驾驶高度依赖GNSS完成定位导航，但民用GNSS原生缺乏信号认证，多数在用车载设备无法兼容新一代加密防护协议，低成本软件无线电大幅降低欺骗攻击实施门槛；欺骗攻击可隐蔽篡改车辆轨迹，传统防御手段存在三类局限：基于接收机的RAIM校验会被缓漂移攻击规避，GNSS+IMU/激光雷达融合方案易遭同步篡改类攻击突破，VIO、视觉SLAM等几何匹配手段受光照、纹理缺失、季节变化影响产生累积漂移，且依赖高精度地图维护。现有方案仅校验坐标、位移等度量信息，无法识别“GNSS指示左转但车辆实际右转”这类行为层面的隐蔽欺骗，而VLM可融合图像与车载传感数据做语义推理，能填补该防御空白，但大参数量VLM推理算力开销高、时序推理能力弱、易产生幻觉，是落地待解决难题。
研究采用两套独立数据集完成训练与跨区域泛化验证：训练集为东京道路采集的CoVLA公开数据集，含同步前视视频、GNSS、六轴IMU与车辆CAN总线数据；验证集为团队在美国塔斯卡卢萨市道路实地采集的专属数据集，搭载高精度GNSS/IMU、双目相机同步记录数据，两地道路通行规则、标识、设备硬件均存在差异，用于检验模型泛化能力。数据预处理统一划分为4秒滑动窗口片段，每段下采样至12帧图像，通过IMV-LSTM筛选出辨识度最高的三类传感指标：车速、X轴纵向加速度、Z轴偏航率；依托OSRM路网匹配工具生成三类贴合道路拓扑的智能欺骗样本：错转弯攻击镜像坐标并吸附至道路，过冲攻击锁定行驶车辆GNSS坐标制造静止假象，停止攻击为静止车辆注入缓慢漂移的虚假定位，三类攻击仅篡改GNSS数值，保留相机与车载传感原始真实数据。
核心创新为三段式微调流程，实现视觉画面与传感数值在统一语义空间对齐：第一阶段冻结适配器与大语言模型，仅训练视觉编码器完成场景运动特征提取；第二阶段固定视觉权重，微调适配器与语言模块，让模型读懂文本序列化的传感变化量；第三阶段全部模块联合微调，实现图像、传感文本联合推理，规避单步微调导致的模态权重失衡。为降低VLM持续推理的算力消耗，设计自适应推理策略：持续监测车速、偏航率波动幅度，仅当传感变化超过阈值时启动完整VLM推理，稳定行驶场景复用上一轮预测结果，该策略将模型调用频次压缩至原有的14%，算力开销减少86%，单4秒窗口推理总耗时仅65至73毫秒；同时增设定时强制推理机制，防止缓漂移欺骗长期绕过检测触发条件。检测分为两大模块：转向行为检测对比VLM输出转向类别与GNSS通过路网、航向角计算得出的转向指令，8帧关键帧中匹配数量不足4帧即判定欺骗；运动状态检测通过哈弗辛公式计算GNSS推算车速，与车载真实车速对比，出现持续矛盾则调用VLM语义复核。实验采用LLaVA-Next-video-7B、NVILA-8B-Video两种VLM骨干，零样本基线F1分数仅23%-32%，经三段微调后F1提升至94%-95%；错转弯、停车类欺骗检测准确率100%，过冲攻击检测精度88%-93%；消融实验证明图像与传感数据融合缺一不可，仅使用传感数据时模型精度显著下滑。
当前方案存在明显落地约束：模型运行依赖A100高端GPU，峰值显存占用14-16GB，难以直接部署车载嵌入式设备，后续需通过量化、模型蒸馏轻量化；无法识别不改变高层驾驶语义的缓慢定位漂移攻击；假设相机、IMU等车载传感器未被篡改，未验证多传感同步失效场景；仿真仅修改后端GNSS坐标，未基于射频信号生成真实欺骗信号。后续计划融合车道地图匹配提升漂移攻击防御能力，开展硬件射频欺骗实测，开发轻量化专用VLM骨干，并探索车端-云端协同推理部署架构。该工作首次构建语义行为层面的GNSS欺骗防御体系，不依赖高精度几何匹配，可与信号级校验、多传感器融合方案形成多层互补防护；跨地域、跨硬件数据集验证模型具备强泛化能力，自适应推理机制解决大视觉语言模型实时车载部署的算力瓶颈，为下一代自动驾驶多模态安全防护提供全新技术路线。
面向V2X通信的GNSS欺骗威胁（GNSS Spoofing Threat for V2X communications）
2026年6月18日，本论文发布于arXiv，由马德里理工大学汽车研究所团队撰写，依托欧盟与西班牙多项交通安全科研项目完成，聚焦车联网V2X场景下全球导航卫星系统（GNSS）欺骗攻击的真实硬件实验验证。GNSS是V2X生成协同感知消息CAM、支撑协同驾驶与车辆安全的核心定位授时基础设施，天然易受欺骗攻击。区别于干扰压制类阻塞攻击，GNSS欺骗通过伪造仿卫星特征射频信号诱导车载接收机解算出虚假位置，早年依赖高价专业仿真设备，软件无线电SDR普及后低成本攻击方案落地。现有V2X安全研究大多局限网络、应用层仿真，默认GNSS定位数据可信，极少基于真实车载硬件开展物理层欺骗实测，本文填补了这一研究空白。
论文先完成GPS L1 C/A信号、欺骗攻击链路的理论建模：梳理卫星PRN Gold码生成、BPSK调制完整信号链路，解析接收机码跟踪环DLL、载波锁相环PLL被欺骗信号劫持的矢量相位误差机理；通过含阴影衰落、瑞利多径的蒙特卡洛30000次仿真开展功率可行性分析，基于HackRF One链路预算得出有效欺骗距离区间91至547米，4.8公里处半数场景失效，10公里外攻击基本无法成功，真实卫星接收信噪比约-21dB，伪造信号只需更高功率即可抢占接收机跟踪环路。研究搭建实物测试平台实施拖曳式同步欺骗攻击，采用低成本HackRF One、GPS-SDR-SIM与GNU Radio生成伪造GPS基带信号，测试载体为Commsignia商用车载单元OBU与路侧单元RSU，二者间距仅5米。作者设计一套高精度坐标生成流程，依托哈弗辛大圆距离公式计算地理点位间距，以0.1秒固定步长做时间离散化，对经纬度线性插值，模拟90km/h、145km/h、200km/h三类匀速行驶轨迹，保证伪造轨迹运动平滑、速度恒定，输出适配SDR发射的IQ采样信号。三组实测场景均分为正常行驶与欺骗注入两个阶段，攻击全程无明显信号中断，系统无法自主识别异常。欺骗生效后OBU输出篡改后的位置、速度数据并通过CAM报文上传至RSU平台，轨迹显示车辆在马德里城区高速路段被伪造出200km/h的违规行驶状态，瞬时加速度峰值接近20m/s²，远超民用车辆物理极限，违背车辆动力学惯性规律，形成明显数据异常，但现有商用V2X设备未部署大规模GNSS身份认证防护（如伽利略OSNMA），设备全程未触发告警。
实验充分证实，借助平价SDR设备即可完成针对真实V2X车载、路侧硬件的隐匿GNSS欺骗，篡改CAM消息的位置与运动参数，造成交通网络数据失真、碰撞预警失效、路网调度紊乱等安全隐患，属于难以察觉的底层物理层攻击。论文不仅验证了该威胁从理论风险转为现实可实现攻击，还提供一套完整可复现的实地欺骗测试方法，可为车载通信设备安全加固提供实验支撑。未来研究将拓展多车混合场景测试，分析部分车辆受欺骗、其余车辆定位正常时路侧单元的数据处理异常表现。