1.Precedence Research网站发布文章《抗干扰GPS：引领安全可靠定位技术的未来》。
2026年3月18日，Precedence Research网站发布文章指出防干扰GPS系统可通过零位、波束控制、民用等技术减轻信号干扰，为军事、航空、无人机及商业运营等领域提供可靠定位导航与授时服务，对保障关键基础设施、避免运营故障意义重大。全球防干扰GPS市场2025年规模达43.5亿美元，2026年预计至45.8亿美元，2026-2035年将以5.38%的复合年增长率增长，2035年约达73.5亿美元。该行业头部企业涵盖诺斯罗普·格鲁曼、雷神技术、洛克希德·马丁等全球知名航防企业，以色列埃尔比特系统、土耳其梅泰克桑国防等也位列其中。政府机构、私人安保公司、军队、商业企业是其核心终端用户，2025年中、印、美现役军人数量位居前列，全球罐式集装箱船队规模也持续增长。2025年底至2026年3月，美、法、加等多国政府加大国防投资，进一步推动了防干扰GPS需求，而军事冲突增多、网络欺骗事件频发、私人安保机构快速发展是该技术需求攀升的核心动因。目前行业发展受技术障碍、出口问题、半导体短缺等因素制约，技术上难以与现代雷达系统融合、多国争端引发航防产品出口受阻、半导体供应不足均影响产业扩张。未来，GPS III卫星的快速部署、模块化抗干扰解决方案的研发、机器学习与抗干扰软件的融合，以及国防领域M码信号的广泛应用，将成为行业发展关键方向，整体来看，防干扰GPS行业虽面临痛点，但凭借技术进步与市场需求增长，未来将迎来显著发展，行业龙头也持续加大相关投资。
2.通用动力公司推出适用于L1/L2及M码信号的8路军用级GPS信号分配器。
everything RF网站2026年3月18日报道，通用动力任务系统旗下GPS Source产品线推出一款适用于国防和航空航天领域的八通道军用GPS信号分配器MS18ISO，该设备为单输入八输出设计，可将有源GPS车顶天线的信号分配至最多八台GPS接收器或设备，配备符合MIL-STD-704F标准的隔离电源，保障在军用平台中的稳定运行。其支持L1/L2 GPS、伽利略、格洛纳斯、北斗卫星信号及M码，具备防水、电磁干扰屏蔽和密封特性，工作频率范围为1至1.61GHz，提供15dB放大增益或0dB增益两种选择，L1和L2频段间的增益平坦度低于3dB。该分配器通过3针D38999军用直流电源连接器接入外部直流输入，射频输出端J2至J9采用隔直设计并配备200欧姆直流负载，可模拟天线电流消耗，工作输入电压为16至32伏直流，在MIL-STD-704电源条件下支持最高100毫安的天线电流，工作温度范围为-40℃至85℃。同时，设备符合MIL-STD-810、MIL-STD-202等多项军用标准，能适应温变、震动、盐雾、易爆环境等复杂工况，还完成了传导发射、辐射敏感度等军用电磁兼容性相关测试，满足军用电磁兼容要求。
3.欧洲超低噪声放大器成功在欧洲航天局HydroGNSS地球观测任务中实现在轨运行。
2026年3月13日消息，欧洲工程咨询有限公司（EECL）研发的超低噪声放大器在欧洲航天局（ESA）HydroGNSS地球观测任务中实现在轨成功运行，达成该卫星有效载荷的早期技术里程碑。HydroGNSS是ESA首个入轨的地球观测“侦察”任务，两颗小卫星于2025年11月从美国加州范登堡太空军基地发射，借助全球导航卫星系统信号监测关键水文和气候变量。EECL为该任务的GNSS反射测量接收器射频前端提供了六台多波段超低噪声微波放大器，这些放大器由英国团队按与萨里卫星技术有限公司的合同完成设计、制造和测试，能放大极微弱的反射导航信号并保持信号完整性，助力卫星在信号接收初期捕捉可用数据。该任务采用GNSS反射测量技术，通过分析经地球表面反射的GPS、伽利略等系统导航信号，获取土壤湿度、多年冻土冻融状况等环境数据，目前卫星已成功收集表征反射信号的延迟多普勒地图，初期调试显示有效载荷硬件表现达标。超低噪声放大对该任务至关重要，因反射信号远弱于直接信号，低噪声系数的前端电子设备是探测弱反射并生成科学数据的关键。这两颗卫星处于互补轨道位置，可实现全球覆盖最大化并持续收集反射信号，其收集的全球水文数据将为气候监测和环境研究提供支撑。
学术动态
1.全球导航卫星系统/星链中断期间的替代MEMS导航系统（Alternative MEMS Navigation During GNSS/Starlink Outages）
2026年2月12日，该论文（未经同行评审的版本）发表于Preprints.org平台，针对全球导航卫星系统（GNSS）或星链（Starlink）信号在受干扰或中断情况下，无人机等载体无法依赖外部信号进行精确定位的问题，提出了一种基于MEMS惯性测量单元（IMU）的替代导航方法。该方法的核心思想是采用“速度辅助导航（VAN）”技术，即利用载体自身搭载的速度传感器（如多普勒雷达、皮托管、里程计等）提供的速度信息，结合MEMS陀螺仪测量的航向信息，通过积分运算直接解算纬度、经度和高度，从而避免了传统捷联惯导系统（SINS）因对加速度计信号进行二次积分而导致的误差随时间急剧累积的根本性缺陷。
文章首先系统回顾了提升SINS性能的三种主流技术路径：一是通过旋转调制、神经网络校准和IMU阵列等方法提升传感器本身的精度；二是改进滤波算法，如引入自适应、熵最小化或联邦式卡尔曼滤波器来处理非高斯噪声和高动态环境；三是探索因子图优化、深度学习及仿生视觉等新型融合架构。这些综述为作者提出的VAN+IMU方法提供了坚实的背景和技术对比基础。
在理论层面，作者严格推导了传统SINS方法的速度与位置解算方程，并在此基础上通过泰勒级数展开，详细给出了SINS的定位误差表达式。该表达式清晰地揭示了SINS误差与加速度计零偏（时间平方项）、陀螺仪漂移（时间立方项）的复杂依赖关系。随后，作者推导了基于VAN+IMU的新方法的定位误差表达式，表明其主要误差项来源于速度传感器的零偏（时间一次项）和陀螺仪漂移（时间平方项），理论上证明了其误差增长速度远慢于传统SINS。
为了验证新方法的有效性，作者利用一架小型Cessna飞机的实际飞行数据进行了仿真实验。实验选取了65秒、200秒和700秒三个不同时长的飞行段，将新方法（VAN+IMU）解算的轨迹与高精度GNSS接收机测量的参考轨迹，以及经过卡尔曼滤波修正的SINS/GNSS组合导航系统的解算轨迹进行对比。结果显示，VAN+IMU方法在所有三个时段内解算的纬度、经度和高度都与参考轨迹高度吻合，其定位误差水平与复杂的SINS/GNSS组合系统相当（最大误差在2米到50米之间，随航段动态变化），但远优于纯SINS的理论误差。这充分证明了该方法作为一种自主、可靠、低成本的GNSS信号中断期间的备用导航方案的巨大潜力。
2.从数学方法到基于人工智能的方法：海洋PNT数据融合与不确定性处理综述（From mathematical to AI-based methods: A review of marine PNT data fusion and uncertainty handling）
2025年11月27日，该论文发表于《Computer Science Review》期刊。本文是一篇系统性综述，旨在全面梳理和评估用于提升海上定位、导航与授时（PNT）系统精度与可靠性的数据融合及不确定性处理方法。研究背景在于，尽管PNT数据是船舶轨迹预测、路线规划和避碰等所有海上导航应用的基础，但现有方法仍面临信号缺失、精度不足、易受欺骗/干扰以及难以适应动态海洋环境等挑战。过往的综述或局限于全球导航卫星系统（GNSS）技术，或未系统性地关注海上导航的特殊性，且在方法论上缺乏透明度。为填补这一空白，本文严格遵循PRISMA（系统综述和荟萃分析优先报告条目）指南，对2013年至2025年3月间的学术文献进行了系统检索、筛选与分析，最终纳入48篇核心研究。
文章首先回答了五个核心研究问题（RQs）。在数据源方面（RQ1），研究发现GNSS仍是主要的定位信息来源，但单独依赖GNSS不足以保证可靠性。系统必须融合多种数据，如惯性导航系统（INS）、自动识别系统（AIS）、多普勒测速仪（DVL）、实时海平面数据以及NMEA协议数据等。同时，文章也探讨了R-Mode、低轨卫星（LEO-PNT）、可重构智能表面（RIS）等替代PNT（APNT）技术的发展现状，指出它们大多仍处于早期阶段。在影响精度的因素方面（RQ2），研究将干扰源分为自然因素（如电离层延迟、多路径效应）和人为因素（如故意的欺骗/干扰信号、非故意的射频干扰），这些因素共同对PNT数据的质量构成威胁。
在现有解决方案及其有效性评估上（RQ3），文章详细分析了从传统数学方法到AI技术的演进。传统的卡尔曼滤波器（KF）及其变体（如EKF、UKF）虽被广泛应用，但在处理非线性、非高斯噪声及长期GNSS信号中断时存在固有局限。交互式多模型（IMM）、因子图优化（FGO）等方法在某些场景下表现出更优性能，但各有其适用条件和计算成本。针对人为干扰，文章综述了包括信号模式识别、加密认证（如OSNMA）在内的多种抗欺骗/抗干扰技术。
关于人工智能的贡献（RQ4），文章指出机器学习（ML）和人工神经网络（ANN）已成为提升PNT系统鲁棒性的关键工具。研究表明，神经网络（如RNN、LSTM、GRU）能有效在GNSS信号中断期间预测位置和速度误差，其性能在特定研究中优于EKF达60%。此外，支持向量机（SVM）、卷积神经网络（CNN）和集成学习方法（如AdaBoost、随机森林）被广泛应用于检测和分类欺骗/干扰信号，展现出高精度和高效率。Dempster-Shafer（DS）证据理论作为一种处理不确定性的数学框架，也被成功用于多源数据融合，并能与神经网络结合，在GNSS信号缺失时提供预测。
最后，在展望未来发展方向时（RQ5），文章认为最具前景的方法是构建混合模型，即将经典统计方法（如KF、DS理论）的严谨性与AI，特别是深度学习技术的适应性和模式识别能力相结合。文章特别指出了图神经网络（GNN）和Transformer等先进架构在建模海事数据复杂关系方面的潜力，并强调了可解释人工智能（XAI）对于提升操作者信任度的重要性。此外，文章也指出了当前研究面临的主要挑战，如高质量公开数据集的缺乏、AI模型的高计算成本，以及从学术研究到工业应用的转化壁垒。最终，本文为构建更精确、可靠、有韧性的下一代海上PNT系统提供了清晰的技术路线图和研究方向。