无人机穿越高楼区信号飘移一文讲清GNSS卫星信号多径效应与抗干扰增强技术

在城市高楼林立的环境中飞行无人机，很多飞手都有过这样的经历：明明GPS显示信号满格，但无人机的定位就像喝醉了一样，忽左忽右、忽上忽下，甚至莫名其妙地”漂移”出预定航线。更糟糕的是，有时候返航功能突然失效，飞机就像断了线的风筝，让人手忙脚乱。

这个问题背后，藏着一个让无数飞手头疼的技术难题——GNSS多径效应。

一、先搞懂：什么是GNSS多径效应？

1.1 从日常体验说起

想象一下，你站在一个空旷的广场上喊话，声音直接传到朋友耳朵里，清晰又迅速。但如果你站在两栋高楼之间的窄巷里喊话，声音会先撞到墙壁、地面、玻璃幕墙，然后再绕回到朋友耳朵里。这时候，朋友听到的就不只是你的原声，还有各种延迟、变调的回声。

GNSS卫星信号也是一样。卫星在2万公里高空发射信号，信号以光速飞向地面接收器。但在高楼林立的城市峡谷中，信号会先撞到大楼玻璃、金属墙面、混凝土结构，经过反射、折射、散射后，以不同的路径到达无人机天线。

直达信号（Direct Signal）和反射信号（Multipath Signal）同时到达接收机，两者相位不同、强度不同、到达时间不同，就像两列 Waves 在水中交汇，产生叠加、抵消、失真，最终导致定位计算出现严重偏差。

1.2 多径效应的具体表现

在实战中，多径效应会让无人机出现以下症状：

现象	具体表现	原因分析
水平定位漂移	悬停时飞机在1~5米范围内左右晃动	反射信号改变了伪距测量
高度跳变	气压计与GPS高度数据不一致，高度突然跳变几米	多径效应干扰了水平位置，间接影响了姿态解算
航向失准	指南针数据正常，但飞机航向与实际不符	磁干扰叠加多径效应
定位锁定失败	GPS卫星数显示12颗以上，但HDOP值很高（>2）	有效信号被噪声淹没
返航失控	返航途中飞机偏离航线，甚至飞向障碍物	定位突变导致飞行控制系统误判

1.3 多径效应的物理本质

GNSS定位的核心原理是测距：接收机测量信号从卫星到自身的传播时间，乘以光速得到距离（伪距）。当存在多径时，接收机测到的传播时间既不是直达信号的时间，也不是反射信号的时间，而是两者的混合，导致伪距测量误差。

这个误差的典型范围是：

城市峡谷：水平误差 5~30米，高程误差 10~50米
严重反射环境（玻璃幕墙密集区）：误差可达 50~100米 以上
开阔地带：误差通常小于 1~3米

更关键的是，多径误差具有时变性——飞机在移动，反射路径在变化，误差也在实时波动，这就造成了定位”飘移”的不稳定感。

二、为什么高楼区是多径效应的重灾区？

2.1 “城市峡谷”效应

高楼之间的街道就像一条峡谷，卫星信号从上方斜射下来，大部分直射信号被高楼遮挡，只有少数卫星可见（通常可见卫星数从开阔地的12~15颗降到4~8颗）。

更重要的是，可见的卫星信号大多是低仰角信号（仰角<30°），这些信号传播路径长，更容易被周边建筑反射，且反射信号与直达信号的时延差较小，难以区分。

2.2 反射面的特性

现代建筑的反射面具有几个特点，会加剧多径效应：

大面积金属玻璃幕墙：反射系数接近1，几乎无损耗地反射信号
规则几何形状：平面玻璃、直角墙面会产生强定向反射，而不是散射
密集分布：多栋建筑形成多重反射路径，信号可以经过2~3次反射后才到达接收机

2.3 信号遮挡与多径的共存

在高楼区，无人机同时面临两个问题：

视距遮挡（NLOS，Non-Line-of-Sight）：卫星信号直接被建筑挡住
多径干扰：信号经过反射到达接收机

很多飞手误以为”信号遮挡”是GPS差的原因，但实际上，多径效应在信号可见但遮挡严重的环境中最具迷惑性——因为GPS模块仍显示有信号，但定位质量已经严重恶化。

三、多径效应的数学模型与信号特征

3.1 多径信号的数学表达

GNSS接收机接收到的信号可以表示为：

\[ r(t) = A_0 s(t - \tau_0) + \sum_{i=1}^{N} A_i \alpha_i s(t - \tau_i) + n(t) \]

其中：

\(A_0\) 是直达信号的幅度
\(\tau_0 = d_0/c\) 是直达信号的传播时延（\(d_0\)是卫星到接收机的距离，\(c\)是光速）
\(A_i\) 是第i条反射路径的信号幅度
\(\alpha_i\) 是反射系数（\(0 < |\alpha_i| < 1\)）
\(\tau_i = d_i/c\) 是第i条反射路径的传播时延
\(n(t)\) 是噪声

关键点：接收机需要通过相关运算从混合信号中提取 \(\tau_0\)，而多径信号会干扰相关峰的形状，导致时延估计偏差。

3.2 相关峰的畸变

在理想情况下，GNSS接收机的相关器会输出一个尖锐的”主峰”，其位置对应信号传播时间。多径存在时，相关峰会发生畸变：

主峰偏移：峰值位置偏离真实时延
峰形展宽：信噪比降低，追踪环路失锁风险增加
旁瓣增加：可能出现虚假峰值，导致捕获错误

3.3 多径时延的分类

根据时延差 \(\Delta\tau = \tau_i - \tau_0\) 的大小，多径可分为两类：

类型	时延差范围	处理难度	典型场景
窄带多径	< 码片宽度（C/A码约1微秒）	难以分离，干扰相关峰	近距离建筑反射
宽带多径	> 码片宽度	可通过码相位区分	远距离多次反射

对于GPS L1 C/A码，码片宽度约293米（时延约1微秒），意味着反射路径与直达路径相差不到293米的多径信号都属于窄带多径，是最难处理的一类。

四、抗多径与抗干扰的增强技术

4.1 天线层面的抑制技术

4.1.1 多普勒辅助多径抑制天线

现代GNSS天线采用多普勒辅助滤波技术。基本原理是：

直达信号来自卫星方向，具有特定的多普勒频移
多径信号来自地面反射，多普勒特征与直达信号不同
通过分析信号的多普勒特征，可以识别并抑制多径成分

这种天线通常包含交叉偶极子结构，对来自下方的信号天然衰减，对来自上方的卫星信号保持高增益。

4.1.2 扼流圈天线（Choke Ring Antenna）

扼流圈天线是抑制多径最经典、最有效的方法之一。其结构特点是在天线下方设计一圈金属扼流环，形成类似”谐振腔”的结构：

来自水平方向和下方的反射信号被扼流环短路到地
只有来自天顶方向的直达信号能够到达辐射单元
对低仰角多径信号的抑制可达 20~30 dB

这种天线常见于测绘级GNSS接收机，但体积较大，不适合小型无人机。不过，微型扼流圈天线正在向消费级产品渗透。

4.1.3 有源滤波天线

有源滤波天线在天线输出端集成带通滤波器，只允许特定频段和方向的信号通过，同时抑制来自下方的干扰信号和噪声。对于穿越高楼区的无人机，选择具有低仰角抑制功能的有源天线可以显著改善定位质量。

4.2 信号处理层面的抗多径技术

4.2.1 窄相关器技术（Narrow Correlator）

传统相关器使用宽的相关间隔（通常0.5~1个码片），对多径敏感。窄相关器技术通过缩小相关间隔来增强分辨力：

# 伪代码：窄相关器与标准相关器对比
class GNSSCorrelator:
    def __init__(self, code_chip_period=1e-6):
        self.code_period = code_chip_period
        
    def narrow_correlator(self, signal, local_code, spacing=0.1):
        """
        窄相关器：相关间隔为码片宽度的10%
        对多径抑制效果显著
        """
        early = self.cross_correlate(signal, local_code, 
                                     delay=+spacing * self.code_period)
        prompt = self.cross_correlate(signal, local_code, 
                                      delay=0)
        late = self.cross_correlate(signal, local_code, 
                                    delay=-spacing * self.code_period)
        # 利用early和late的差值来校正多径
        discriminator = (abs(early)**2 - abs(late)**2) / \
                       (abs(early)**2 + abs(late)**2)
        return discriminator
    
    def standard_correlator(self, signal, local_code):
        """标准相关器：相关间隔为码片宽度的50%"""
        early = self.cross_correlate(signal, local_code, 
                                     delay=+0.5 * self.code_period)
        prompt = self.cross_correlate(signal, local_code, 
                                      delay=0)
        late = self.cross_correlate(signal, local_code, 
                                    delay=-0.5 * self.code_period)
        discriminator = (abs(early)**2 - abs(late)**2) / \
                       (abs(early)**2 + abs(late)**2)
        return discriminator

窄相关器的核心思想是：通过缩小相关间隔，让相关峰变得更尖锐，从而更准确地定位直达信号。但代价是信噪比降低，需要更长的相干积分时间来补偿。

4.2.2 多径估计与消除技术（MPE）

MPE技术通过建立多径信道模型，估计并消除多径成分：

import numpy as np
from scipy.signal import correlate

def multipath_estimation(signal, code, num_paths=3):
    """
    多径估计与消除算法
    signal: 接收信号
    code: 本地码序列
    num_paths: 估计的多径数量
    """
    # 第一步：相关器输出
    correlation = correlate(signal, code)
    
    # 第二步：检测主峰位置（直达信号）
    main_peak_idx = np.argmax(np.abs(correlation))
    direct_delay = main_peak_idx / sample_rate
    
    # 第三步：估计多径参数
    multipath_params = []
    remaining_signal = signal.copy()
    
    for _ in range(num_paths):
        # 在当前剩余信号中查找最强多径
        corr_temp = correlate(remaining_signal, code)
        peak_idx = np.argmax(np.abs(corr_temp))
        peak_mag = np.abs(corr_temp[peak_idx])
        
        if peak_mag < threshold:
            break
            
        # 估计多径时延和幅度
        delay = peak_idx / sample_rate
        path_gain = peak_mag / np.max(np.abs(correlation))
        
        multipath_params.append({
            'delay': delay,
            'amplitude': path_gain,
            'phase': np.angle(corr_temp[peak_idx])
        })
        
        # 从剩余信号中减去估计的多径
        multipath_signal = reconstruct_multipath(
            path_gain, np.angle(corr_temp[peak_idx]),
            delay, code
        )
        remaining_signal -= multipath_signal
    
    # 第四步：重建并减去多径干扰
    estimated_multipath = reconstruct_all_multipaths(
        multipath_params, code
    )
    clean_signal = signal - estimated_multipath
    
    return clean_signal, multipath_params

4.2.3 卡尔曼滤波与多源融合

在定位解算层面，卡尔曼滤波是抑制多径误差的核心工具：

class MultiSensorKF:
    """
    多源融合卡尔曼滤波器
    融合GNSS、IMU、气压计、视觉里程计
    """
    def __init__(self):
        # 状态向量：[位置, 速度, 加速度, 姿态]
        self.x = np.zeros(15)
        self.P = np.eye(15) * 100  # 状态协方差
        self.Q = np.eye(15) * 0.01  # 过程噪声
        self.R_gnss = np.eye(3) * 10  # GNSS测量噪声（城市区较大）
        self.R_imu = np.eye(3) * 0.001  # IMU测量噪声
        self.R_baro = np.eye(1) * 0.5  # 气压计噪声
        
    def predict(self, imu_data, dt):
        """预测步骤：使用IMU数据推进状态"""
        # 状态转移矩阵
        F = self._build_F_matrix(dt)
        self.x = F @ self.x
        
        # 过程噪声
        G = np.zeros((15, 3))
        G[3:6, :] = np.eye(3) * dt
        G[12:15, :] = np.eye(3) * dt**2 / 2
        self.P = F @ self.P @ F.T + G @ self.Q @ G.T
        
    def update_gnss(self, gnss_pos, gnss_hdoP):
        """
        更新步骤：使用GNSS数据
        HDOP用于动态调整测量噪声
        """
        # 根据HDOP调整GNSS噪声协方差
        # HDOP越高，GNSS越不可靠，降低权重
        r_gnss = self.R_gnss * (gnss_hdoP ** 2)
        
        H = np.zeros((3, 15))
        H[0, 0] = 1  # x位置
        H[1, 1] = 1  # y位置
        H[2, 2] = 1  # z位置
        
        y = gnss_pos - H @ self.x
        S = H @ self.P @ H.T + r_gnss
        K = self.P @ H.T @ np.linalg.inv(S)
        
        self.x = self.x + K @ y
        self.P = (np.eye(15) - K @ H) @ self.P
        
    def update_baro(self, baro_alt):
        """气压计更新（仅高度）"""
        H = np.zeros((1, 15))
        H[0, 2] = 1  # z位置
        
        y = baro_alt - H @ self.x
        S = H @ self.P @ H.T + self.R_baro
        K = self.P @ H.T @ np.linalg.inv(S)
        
        self.x = self.x + K @ y
        self.P = (np.eye(15) - K @ H) @ self.P
        
    def get_position(self):
        return self.x[:3]

关键点在于：通过HDOP值动态调整GNSS的测量噪声协方差。当无人机进入高楼区、HDOP升高时，滤波器自动降低GNSS权重，更多依赖IMU和气压计，从而平滑多径引起的定位抖动。

4.3 多传感器融合架构

4.3.1 GNSS/IMU紧耦合方案

松耦合方案中，GNSS直接输出位置坐标，IMU单独辅助滤波。紧耦合方案则更为先进：

松耦合架构：
┌─────────┐    位置坐标    ┌──────────────┐
│  GNSS   │ ──────────→   │  融合滤波器   │ ──→ 最终定位
└─────────┘               │  (松耦合)    │
                          └──────────────┘
                                ↑
                    ┌────────────────────┐
                    │       IMU          │
                    └────────────────────┘

紧耦合架构：
┌─────────┐    伪距+伪距率   ┌──────────────┐
│  GNSS   │ ──────────→   │  融合滤波器   │ ──→ 最终定位
└─────────┘               │  (紧耦合)    │
                          └──────────────┘
                                ↑
                    ┌────────────────────┐
                    │       IMU          │
                    └────────────────────┘

紧耦合的核心优势：

直接利用原始观测值（伪距、伪距率），保留了更多信息
能够识别并剔除多径污染的卫星，提高定位可靠性
在卫星可见数少的城市峡谷中，紧耦合的表现显著优于松耦合

4.3.2 视觉/激光雷达辅助定位

对于信号质量极差的区域，视觉和激光雷达可以提供补充定位：

技术	优势	局限	适用场景
视觉里程计	高分辨率，成本较低	受光照影响大	白天城市环境
激光雷达SLAM	精度高，不受光照影响	成本高，功耗大	室内/复杂城市环境
UWB定位	抗多径能力强	需要部署基站	特定区域高精度定位

典型架构是GNSS + IMU + 视觉/激光SLAM的多源融合，各传感器互补，在GNSS失效时仍能提供可靠定位。

4.4 抗干扰技术

除了多径效应，城市环境中还存在有意或无意的无线电干扰：

4.4.1 干扰类型

干扰类型	来源	影响
窄带干扰	同频电子设备	降低信噪比，可能导致失锁
宽带干扰	大功率发射源	淹没整个接收频段
扫频干扰	干扰设备扫描频段	间歇性干扰，难以追踪
欺骗干扰	伪造GNSS信号	产生虚假定位，危害极大

4.4.2 抗干扰天线技术

class AdaptiveBeamformingAntenna:
    """
    自适应波束形成天线
    通过调整天线阵列的权重，形成指向卫星的波束
    同时在对干扰方向形成零点
    """
    def __init__(self, num_elements=4):
        self.num_elements = num_elements
        self.weights = np.ones(num_elements) / num_elements
        
    def update_weights(self, received_signals, satellite_direction, 
                       interference_directions):
        """
        自适应权重更新
        received_signals: 各天线单元接收的信号
        satellite_direction: 卫星方向向量
        interference_directions: 干扰方向向量列表
        """
        # 构造导向向量
        steering_vector = self._build_steer_vec(
            satellite_direction, self.num_elements
        )
        
        # 计算协方差矩阵
        R = received_signals @ received_signals.T / \
            received_signals.shape[1]
        
        # MVDR波束形成器（最小方差无畸变响应）
        # 目标是：在卫星方向保持增益，在干扰方向抑制
        try:
            R_inv = np.linalg.inv(R)
            # 最优权重
            self.weights = (R_inv @ steering_vector) / \
                          (steering_vector.T @ R_inv @ steering_vector)
        except np.linalg.LinAlgError:
            # 矩阵奇异时退化到等权重
            self.weights = np.ones(self.num_elements) / \
                          self.num_elements
                          
    def _build_steer_vec(self, direction, num_elements):
        """构建导向向量"""
        phase_shifts = np.linspace(0, 
                                  2 * np.pi * (num_elements - 1) / 2,
                                  num_elements)
        return np.exp(1j * phase_shifts)
    
    def process(self, received_signals):
        """处理接收信号"""
        output = np.dot(self.weights, received_signals)
        return output

4.4.3 数字信号处理抗干扰

在接收机内部，通过数字信号处理可以进一步抑制干扰：

自适应滤波：实时估计干扰特征，设计陷波滤波器
空时自适应处理（STAP）：同时利用空间和时间自由度抑制干扰
盲源分离：独立成分分析（ICA）等方法分离有用信号和干扰

五、无人机飞控系统的多径抗干扰实践

5.1 主流飞控的多径处理策略

以PX4和ArduPilot为例，它们的GNSS处理流程如下：

GNSS数据输入
    ↓
质量评估（信号强度、HDOP、VDOP、卫星数量）
    ↓
坏数据标记（标记为不可信）
    ↓
多传感器融合（EKF2）
    ↓
位置输出（GNSS权重根据质量动态调整）
    ↓
姿态估计 + 位置估计 → 控制输出

PX4的EKF2（Extended Kalman Filter 2）具有智能的GNSS质量评估：

GDOP阈值检测：当几何精度因子超过阈值时，降低GNSS权重
创新检查：GNSS观测值与预测值的偏差超过预期时，判定为异常
多源融合：同时融合多个GNSS接收机数据（如双天线）

5.2 飞手实操建议

面对高楼区的多径挑战，飞手可以采取以下措施：

1. 起飞前检查

观察GPS卫星数量和HDOP值，理想情况是卫星数≥10，HDOP<1.5
检查GNSS天线是否有遮挡，清理天线周围的金属物品
如有外接GPS天线，选择具有低仰角抑制功能的型号

2. 飞行中应对

当发现定位飘移时，及时切换到姿态模式（ATTI），避免依赖不可靠的GPS
不要强行执行返航，返航过程中GNSS信号可能持续恶化
优先飞向开阔地带，恢复可靠定位后再执行任务

3. 设备选择建议

选择支持双频GNSS的无人机（L1+L5频段），双频可以显著抑制电离层和多径误差
选择具有高精度IMU的机型，好的IMU在多径环境下能提供更好的人机切换过渡
考虑加装外置GNSS天线，选择扼流圈或高方向性天线

5.3 双频GNSS的优势

双频GNSS利用两个不同频率（GPS的L1=1575.42 MHz和L5=1176.45 MHz）的信号进行定位，具有以下优势：

单频接收机：
卫星信号 → L1频段 → 电离层延迟 → 接收机 → 定位误差较大

双频接收机：
卫星信号 → L1频段 ─┐
                    ├── 组合消除 → 定位精度更高
卫星信号 → L5频段 ─┘

主要优势：
1. 电离层延迟可通过双频组合消除（约99%）
2. 码相位测量精度更高（L5的码速率是L1的4倍）
3. 多径抑制能力更强（宽码速率，窄相关器更容易实现）

对于城市高楼环境的无人机应用，双频接收机的定位精度可以从单频的5~10米提升到1~3米，甚至在良好条件下达到亚米级。

六、总结与展望

高楼区的GNSS多径效应是一个经典的信号处理难题，它源于城市环境中复杂的电磁反射特性。从技术层面看，解决这一问题需要多层防御：

天线层：选择具有低仰角抑制功能的GNSS天线，扼流圈天线效果最佳但体积较大，有源滤波天线是实用选择
信号处理层：窄相关器、多径估计与消除、自适应波束形成等技术可以显著提升信号质量
滤波融合层：紧耦合GNSS/IMU架构配合动态噪声协方差调整，是抑制多径误差的核心算法
多源互补层：视觉、激光雷达、UWB等技术的引入，为GNSS失效场景提供了可靠备份

对于无人机飞手而言，理解多径效应的本质和应对策略，不仅能减少飞行事故，更能提升对无人机系统的整体认知。记住：GPS显示满格不代表定位可靠，HDOP值和信号质量指标同样重要。

随着多频多系统GNSS的普及和AI辅助信号处理技术的发展，城市环境中的无人机精准定位正变得越来越可靠。但无论如何，对物理原理的深入理解和对设备的合理配置，始终是保障飞行安全的基础。

无人机穿越高楼区信号飘移 一文讲清GNSS卫星信号多径效应与抗干扰增强技术