1.伊朗周边的GPS攻击事件引发配送、地图类应用服务大规模中断。
2026年1月21日的报道显示，伊朗周边出现的GPS攻击事件引发配送、地图类应用服务大规模中断，海湾国家的网约车和外卖配送服务或暂停运营，或显示虚假定位，甚至出现导航指向水下等离谱情况，这是电子战带来的不良后果。该攻击主要通过干扰和伪造两种方式实施，GPS卫星信号本身微弱，军事干扰器会用电子噪音淹没该频段信号，而信号伪造则是向接收设备发送看似合法的虚假GPS数据，二者均会让设备获取错误定位。这类GPS漏洞的危害远超日常应用，还威胁到电网、医院、核设施及全球航运路线，霍尔木兹海峡作为全球20%油气运输的要道，船舶避碰系统频繁失灵，医院、电网、核设施的运行也因依赖GPS授时同步，面临信号异常引发连锁故障的风险。伊朗通信部承认相关信号干扰是出于安全和军事目的，却造成了大量民用领域的数字层面损失。不过这一混乱局面也推动了GPS替代方案的研发进程，企业正加紧部署量子传感器、磁异常导航、不依赖卫星信号的视觉识别系统等技术，未来的导航方式或转而依托地球磁场等非天基基础设施。
2.国防承包商获多份无GPS导航相关合同，加速在全球市场中部署人工智能驱动的定位系统。
VIAnews网站2026年3月11日报道，受全球GPS干扰威胁加剧的影响，国防承包商在2026年第一季度拿下多份无GPS导航相关合同，加速在北美、欧洲、亚太地区的军方及自动驾驶车企中部署人工智能驱动的定位系统，该系统融合计算机视觉与惯性传感器，可在GPS受干扰、伪造或无法使用时实现自主导航，也成为北约及太平洋盟友在电子战对抗环境中的技术重点。此前东欧商用无人机、全球农业区自动驾驶拖拉机因GPS干扰受影响，低功率干扰器的大范围破坏作用，让GPS漏洞成关键安全隐患。这款无GPS导航系统通过神经网络处理摄像头画面识别地形、地标等，结合惯性测量单元追踪运动数据，再经传感器融合算法整合视觉、惯性、激光雷达和雷达数据生成定位结果，相较前代纯惯性导航系统漂移更小，现阶段在无GPS环境下定位精度可达12米内。2024年以来该技术的神经网络架构优化使处理需求降低40%，实现商用落地可能，德、日、美自动驾驶车企将其作为GPS的重要冗余方案，GPS信号不佳时自动激活。该技术还可应用于卫星信号无法覆盖的地铁、密集城区、室内厂区等场景，国防领域则覆盖乌克兰争议空域、中东电子战区域，企业也在打造多洲、多光照天气条件的视觉导航数据集，其机器人应用还拓展至新加坡仓储、欧洲建筑、全球农业等GPS受限场景。
3.Kongsberg与Silicon Sensing系统公司合作研发出基于MEMS的北寻导航设备，可脱离GPS实现高精度导航。
下一代防务网站2026年3月5日报道，Kongsberg公司与Silicon Sensing系统公司合作研发出基于MEMS的北寻（North-seeking）导航设备，可脱离GPS实现高精度导航，该设备依托专有惯性测量单元打造，采用固态设计，兼顾战术级定位精度、抗干扰与反欺骗能力，还实现了量产优化和成本控制。这款北寻传感器通过匹配地球自转确定真北方向，能在GPS、磁罗盘失效的场景下工作，突破了传统北寻陀螺仪体积大、易损坏、成本高的局限，也弥补了普通MEMS传感器精度不足、依赖GPS的短板，让MEMS北寻性能媲美高端导航传感器，还能为海军平台节省空间。Kongsberg公司惯性解决方案副总裁表示，该技术为航空、水面无人机、水下航行器、国防系统、海洋测绘、能源等领域解锁了大量全新导航应用，可实现无需持续辅助的可靠精准导航。据悉，该公司将于3月10日至12日在伦敦举办的2026年国际海洋学大会上展示这一新技术。
学术动态
1.软银专有参考网每日GNSS坐标时间序列的质量评估（Quality assessment of daily GNSS coordinate time series from the SoftBank proprietary reference network）
2026年1月5日，该论文发表于《地球、行星与空间》。该研究系统评估了日本SoftBank公司运营的全国性GNSS参考站网络（3300余站，2019年11月部署）的坐标时间序列质量，并与国土地理院的GEONET网络进行对比。研究采用统一的精密单点定位策略（PPP-AR）处理2019年11月至2023年12月的数据。
针对SoftBank站点缺乏公开维护记录的问题，团队开发了半自动化偏移检测与校正流程：结合Hampel滤波器和Smirnov-Grubbs检验，对偏移进行三级置信度分类，并通过水平分量线性拟合均方根误差递减准则决定是否接受校正。性能对比显示两网络高度一致。短期稳定性方面，10天标准差分布几乎相同：水平分量模态为1.0-1.5 mm，垂直分量为4.5-5.0 mm；300个随机采样站点的中位标准差，GEONET为1.3/1.3/4.5 mm（东/北/垂直），SoftBank为1.2/1.3/4.3 mm。两网络均呈现明显季节特征：夏季散布增大（对流层变化所致），冬季弱增大（积雪效应）。通过Akaike信息准则建模季节变化，两者的振幅和阶数分布相似，但GEONET垂直年变化振幅略大。基于约四年数据估算的稳态速度不确定度达到≤0.1 mm/yr（水平）和~0.1-0.2 mm/yr（垂直）水平。
研究成果已应用于2024年能登半岛地震的同震滑动估算、后震滑移分析及火山形变监测。两网络结合实现超密集全国覆盖，显著提升日本构造与火山形变探测能力。研究同时指出局限性：报告的不确定度为白噪声假设下的形式误差下限，未考虑有色噪声；自动校正存在过度校正风险；需进一步开展频域噪声评估和亚日尺度性能分析。
2.一种以地磁场分量为预测因子的广义机器学习环境自适应全球导航卫星系统电离层校正模型（A generalised machine-learning ambient-adaptive GNSS ionospheric correction model with geomagnetic field components as predictors）
2026年3月，该论文发布于Preprints.org平台，是未经同行评审的学术预印本。全球导航卫星系统（GNSS）是现代社会定位、导航与授时（PNT）服务的核心基础设施，而电离层延迟是其最主要的自然误差来源。现有标准校正模型（如Klobuchar和NeQuick）因全球化设计，难以响应局部短时电离层扰动。为此，本文提出一种基于环境感知应用对齐（AA²）概念的定制化电离层校正方法论，利用GNSS设备同步采集定位与环境数据的能力提升抗干扰性能。
研究以电离层总电子含量（TEC）为目标变量，地磁场三正交分量（Bx、By、Bz）为预测变量，通过统计学习与机器学习构建预测模型。数据采集于2014全年：TEC源自意大利Matera的IGS站（30秒采样），地磁数据源自克罗地亚INTERMAGNET站（1分钟采样）。经清洗后形成523,700条有效记录。统计显示TEC均值13.37 TECU，分布呈正偏态，表明需具备非线性建模能力。
数据按80/20比例划分训练集与测试集，构建了六种候选模型：线性回归（基线）、决策树、梯度提升（2000棵树）、随机森林（100棵树）、KNN（重复10折交叉验证）和前馈神经网络（双隐藏层各64神经元）。评估指标包括RMSE、调整决定系数（adjR²）、P-O散点图及P-P图。
结果显示模型性能差异显著。线性回归精度最低（RMSE 9.00 TECU，adjR² 18.84%）。梯度提升与随机森林实现实质性提升，RMSE分别为5.73和4.91 TECU，adjR²均超72%。神经网络居中（RMSE 7.13，adjR² 49.54%）。KNN表现最优，RMSE最低（4.64 TECU），adjR²最高（86.47%），但计算代价最大（约5.1小时）。各模型普遍存在低值区欠预测现象，部分模型出现物理不可能的负TEC预测。
作者最终选定KNN为最优模型，适合部署于AA² GNSS PNT框架及定位即服务场景。研究局限在于仅使用单站点单年度数据，未来需在多站点、多季节及不同太阳活动条件下验证泛化能力，并开发地磁数据质量保障及抗欺骗策略。