城市峡谷里跑一圈，回来一看轨迹，水平误差忽大忽小，开阔路段还能压在一两米，拐进高楼夹缝就窜到十几米——这种场景做过北斗终端的人大概都不陌生。传统的做法是调环路带宽、换窄相关、上多径估计延迟锁定环，能压一部分，但压不干净，因为多径的统计特性随环境变，今天在高架下训出来的参数，明天到地下车库入口就未必好使。这几年一个明显的变化是，越来越多的人开始把卷积神经网络（CNN）往卫星导航的接收链路里塞，试图绕开"手工建模多径"这条越走越窄的路。标题写的是"综述"，但真正干活的人关心的不是有多少篇论文，而是：信号到底以什么形式喂进去、标签从哪来、模型放在链路的哪一级、端到端定位精度到底涨没涨、涨了多少、代价是什么。下面这些内容，就是我按这条线梳理出来的东西，面向的是已经懂一点基带处理、想动手试的人，也尽量把基础概念讲清楚，刚入门的同学能跟得上。

1. 从城市峡谷的轨迹漂移说起：CNN为什么要进导航链路

1.1 传统基带处理究竟在哪个环节开始失效

先把失效点定准，不然模型放错位置等于白干。北斗B1I信号的测距码周期是1ms，码率2.046Mcps，接收机里最核心的动作就是把本地复现码和 incoming 信号做相关，得到一个相关峰，然后用早码、即时码、晚码三个（或者更多）抽头去算鉴相误差，驱动码环和载波环。理想情况下这个相关峰是三角形（考虑前端带宽后接近），峰顶对应真实码相位。问题出在多径上：直射信号和反射信号叠加后，相关峰不再是干净的三角形，峰会歪、会分裂、会整体偏移，早迟码鉴相器的过零点跟着偏，于是伪距就带了一个系统性偏差。

这个偏差有多大？开阔环境下C/N0通常在40到45 dB-Hz，码跟踪精度可以做到0.1到0.3米量级；到了城市峡谷，C/N0掉到20到30 dB-Hz很常见，加上强反射，伪距误差做到几米甚至十几米都不奇怪，而且它不是白噪声，是有偏的、随时间缓变的，进到最小二乘或者卡尔曼滤波里很难被残差检验吃掉。传统对策里，窄相关把早迟间隔压到0.1码片以内能抑制一部分长延时多径，但会牺牲抗噪性能；MEDLL靠多相关器拟合多径参数，计算量大且依赖模型假设；基于信噪比或者仰角的加权是最省事的，可它只能"降权"，不能把已经歪掉的相关峰掰回来。

1.2 换一个思路：让网络自己去学"什么样的相关峰不可信"

这里的关键转变在于，过去我们是先假设一个多径信道模型（比如两径、三径、瑞利分布），再从观测里反解参数；CNN走的是另一条路，直接把一段相关器输出或者一段IQ数据当成一张"图"丢进去，让网络自己学判别特征。它不需要你告诉它"这个峰左边有个肩"，它看几千个带标签的样本就能把这个模式记住。这个思路的优势在于对模型假设不敏感，城市、高架、林荫道、室内窗边这些差异极大的场景，只要样本覆盖到了，同一个网络理论上都能吃下来。

但优势也是它的软肋：CNN不会凭空知道物理约束，它对样本分布极度敏感。你在一条固定路线上采的数据训出来的模型，换条街可能就掉点。所以真正决定这套方案能不能落地的，不是网络结构多花哨，而是数据采集方案、标签生成方式、以及模型输出怎么和后面的滤波器和完好性监测衔接。这三点在多数"综述"里被一笔带过，恰恰是工程上最耗时间的部分。

2. 喂给CNN的到底是什么：北斗信号的四类可学习表征

2.1 原始IQ序列：信息最全，也最难训

最直接的方式是把射频前端采样后的复数IQ直接送进网络。以B1I为例，中频常用40.96MHz或者零中频，量化位宽1到4比特，1ms对应四万多个复数样本。直接吃这么长的序列，第一层卷积的感受野要设计得跟码片宽度匹配，B1I一个码片在40.96MHz采样下大约20个采样点，所以第一层卷积核长度设在16到32之间比较合理，相当于让网络先学"一个码片的局部形状"。

实操上的麻烦在于数据量。复数要拆成I、Q两路实数，或者按幅度相位拆，前者保留线性关系、后者对相位噪声更鲁棒。四万点乘两路，单个样本就是8万个浮点数，一个批次32个样本就是两百多万个数，普通显卡训起来很吃力。多数人会先做降采样或者只截取相关峰附近的窗口（比如峰前后各50个码片），把输入压到几千点这个量级，这样既保住了峰形信息，又不至于把显存吃光。

注意：降采样一定要在复数域做完滤波之后再做，直接对IQ抽点会把频谱搬移搞乱，训出来的模型在实测里会莫名其妙地全判成一类。

2.2 相关器输出：性价比最高的一种"伪图像"

如果只能选一种输入形式，我建议从多相关器输出开始。接收机本来就有一排相关器，抽头间隔取0.25或者0.5码片，左右各取5到6个，加上即时支路，一共11到13个抽头，每个抽头在1ms积分后得到一个复数值，连续取N个历元（比如100个），就得到一个13×100的复数矩阵，拆成实虚两通道就是13×100×2，这个尺寸对CNN来说非常友好，一层3×3卷积就能同时看到相邻抽头和相邻时间的关系。

它的好处是物理意义明确：峰形畸变、峰位漂移、峰宽变化全在这张图里，而且它已经过了解扩，信噪比增益做完了，对前端差异不敏感。我在几个项目里对比过，同样的网络结构，用相关器输出做输入比用原始IQ收敛快得多，样本需求也少一个量级。代价是丢掉了扩频前的信息，像窄带干扰这种在频域上很明显、在相关器输出上却可能只表现为整体噪底抬升的现象，就不太容易分辨。

2.3 时频图与C/N0序列：给干扰检测和欺骗识别准备的

干扰和欺骗这两类任务，信息更多藏在频域和时间的宏观变化里。把一段IQ做短时傅里叶变换，窗长取256或者512点，重叠50%，得到一张时频图，尺寸比如128×128，扫频干扰在上面就是一条斜线，脉冲干扰是一列亮点，宽带压制是一片亮区，CNN处理这类图像基本是成熟套路，直接借用图像分类的骨干网络改一改输入通道数就能跑。

C/N0序列则是另一种便宜又好用的表征。单颗卫星的C/N0随时间变化是一条一维曲线，多颗卫星拼起来就是多通道时间序列，用一维卷积处理。欺骗信号的一个典型特征是C/N0出现不符合几何规律的抬升，或者多颗卫星的C/N0同步跳变，一维卷积对这种局部突变很敏感。这类输入的优点是数据量极小，几百个点就够，训起来快，适合做前置的粗筛。

2.4 四类表征怎么选：一张对照表

选择逻辑其实很简单：任务关心的是"解扩前的频谱特征"还是"解扩后的峰形特征"。前者用时频图，后者用相关器输出。两者都要，就做双分支融合，但先别急着上融合，单分支跑通了再说，融合带来的调参成本经常超过收益。

3. 任务侧拆解：CNN在导航链路里被用来干哪几件事

3.1 多径与NLOS信号识别

这是目前落地最多的一类。做法是把每颗卫星每个观测历元的相关器输出打成样本，标签是"直射"或者"非直射"，网络输出一个概率，超过阈值就把这颗卫星从定位解算里剔除，或者给它一个更低的权重。相比传统的基于C/N0阈值加仰角门限的方法，CNN的优势体现在"低仰角但确实是直射"和"高仰角但被强反射"这两类难样本上，前者传统方法容易误杀，后者传统方法容易漏放。

我见过效果比较扎实的方案，分类准确率在自采数据集上能做到90%以上，但这个数字要小心解读——如果测试集和训练集来自同一条路线同一天，90%不说明什么。真正有意义的是跨天跨路线的表现，通常会掉到75%到85%之间。所以工程上一般不会让网络单独做决定，而是把它输出的概率作为一个观测量送进抗差估计，比如把概率映射成方差，走加权最小二乘。

3.2 干扰与欺骗信号的时频分类

干扰识别的任务边界比较清楚：扫频、连续波、脉冲、宽带压制，这四类在时频图上的形态差异大，用一个小型CNN（三五层卷积加全局池化）就能做到很高的区分度，训练样本靠信号源加衰减器在屏蔽室里采，一天能采几千个，成本可控。落地时的难点不在分类本身，而在"未知类别"的处理——现场遇到的干扰未必是你训过的那几类，模型容易把没见过的东西硬塞进已知类别里，所以输出端一般会加一个基于能量或者置信度的兜底判决。

欺骗检测更难，因为欺骗信号在单颗卫星的观测量上可能做得很像真的。有效的做法是多星联合：把可见星的C/N0、多普勒、伪距残差拼成一个多通道张量，让网络去学"整体一致性"的破坏。这类模型的解释性差，出问题时很难说清是哪颗星出了问题，所以通常会配合传统的一致性检验一起用。

3.3 伪距残差修正与加权

这一类任务直接对准定位精度，思路是用网络去预测伪距残差，然后从观测里减掉，或者反过来预测观测方差用于加权。两种做法各有拥趸：减残差看着直观，但如果网络预测有偏，会把偏差直接注入解算，风险更大；给方差更稳，最差情况是权重给得不理想，不会把解算带跑偏。我个人偏向后者。

实现上，输入一般不只是单颗卫星的相关器输出，还会把仰角、方位角、C/N0、前一时刻的残差一起拼进去。输出就是一个标量方差或者一个权重。训练标签用"事后用高精度参考轨迹反算出来的残差"生成。这里有个坑：参考轨迹本身的精度决定了标签质量，如果参考系统在城市段的误差就有半米，那你训出来的模型最好也只能逼近这半米，别指望它把误差压到0.2米。

3.4 周跳探测与载波相位质量评估

载波相位这块，传统方法靠 geometry-free 组合、Melbourne-Wübbena组合加多普勒积分来做周跳探测，对小幅周跳（1到2周）和小采样率下的判断经常不够干脆。载波波长B1I约19厘米，B3I约23.6厘米，一周的跳变对应厘米级到分米级的距离突变。CNN在这里的用法是把相位残差的时间序列、C/N0、多普勒变化率拼成多通道输入，做逐历元的二分类。

效果上，对小周跳的检出率确实比单一的GF组合高一些，尤其是在低采样率（1Hz）场景下，因为网络能用上多颗卫星之间的相关性。但代价是引入了一个新的失效模式：模型的漏检和误检都和历史窗口长度强相关，窗口取太短抓不住趋势，取太长又增加时延。工程上一般取30到60个历元，兼顾两者。

3.5 各任务的输入输出与评估口径

4. 从论文到工程：数据、标签与训练链路的落地细节

4.1 标签从哪来：三条路径的取舍

这是整个流程里最花钱的一环。第一条路是纯仿真：用信号模拟器按设定的多径模型生成IQ，标签天然准确。好处是量大、可控、类别均衡，坏处是仿真信道和真实信道总有差距，训出来的模型到实测往往掉一截，业内叫"仿真到实测的鸿沟"。缓解办法是在仿真里注入实测的背景噪声，或者做域随机化，把多径的延迟、衰减、相位在合理范围内随机扫。

第二条路是半实物：真实接收机采数据，同时在场景里布置参考点，用已知的几何关系反算哪颗星被遮挡。这条路标签质量高，但采不了多少，一条路线跑一天能出几千个样本就不错了。

第三条是弱监督，用定位残差反推：某颗星在某个历元的残差明显偏离，就认为它可疑。标签噪声大，但可以刷量。实际项目里通常是三条路混着来，仿真打底、半实物校准、弱监督扩量。

4.2 数据切分：防止"同一段信号"同时出现在训练和测试里

这个坑踩的人特别多。如果按样本随机切分，同一段连续采集的信号会被切到训练集和测试集两边，相邻样本高度相关，测试准确率虚高十几个点都有可能。正确做法是按采集批次切：同一段路线、同一台设备、同一天的采集归为一个组，整组进训练或者整组进测试。更严格一点，按"场景"切，训练集只用开阔和郊区，测试集专门留给城市峡谷，这样才能看出泛化能力。

4.3 网络结构：别一上来就上大模型

我见过不少方案直接把ResNet-50搬过来，参数两千多万，在几万个样本上训，结果训练集loss掉到0.01，测试集一塌糊涂。卫星导航的信号表征维度其实不高，相关器输出13×100这种尺寸，三五层卷积加两三个全连接足够。一个可以参考的配置是：第一层3×3卷积32通道，接批归一化和ReLU；第二层3×3卷积64通道，接2×2最大池化；第三层3×3卷积128通道；然后全局平均池化接全连接输出。总参数量控制在几十万量级，训练快，端侧也能跑。

import torch import torch.nn as nn class CorrNet(nn.Module): def __init__(self, in_ch=2, n_cls=2): super().__init__() self.features = nn.Sequential( nn.Conv2d(in_ch, 32, 3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.Conv2d(32, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), ) self.head = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Dropout(0.3), nn.Linear(128, n_cls) ) def forward(self, x): return self.head(self.features(x))

这段代码没什么花哨的，但它能用。真正影响结果的是数据管线和损失函数。类别不均衡在NLOS任务里非常严重，直射样本通常占八成以上，直接训练会让模型倾向于全判直射。用带权交叉熵或者Focal Loss，把少数类的权重提上去，召回率会有明显提升。

4.4 训练中的几个数值问题

相关器输出的动态范围很大，强信号和弱信号可能差三四个数量级，直接送进网络会让梯度爆炸。常规做法是对每个样本的幅度做归一化，或者转成对数域再送进去。相位信息要小心处理，直接取实虚两路在某些情况下会引入载波相位跳变带来的不连续，可以考虑用幅度加相位的正弦余弦编码。

还有一点是输入的时间对齐。相关器输出是按历元排的，如果采集过程中有丢帧，时间轴就断了，训出来的时间卷积实际上在学错误的东西。预处理阶段一定要做时间戳校验，发现断层就整段丢弃，别想着插值补上。

5. 部署侧的现实约束：算力、时延与泛化

5.1 端侧算力预算怎么算

接收机端的处理器通常是ARM Cortex-A系列，算力从几百MOPS到几个GOPS不等，跟手机SoC没法比。一个几十万参数的CNN，单次推理大概在几百万次乘加的量级，跑在1GHz的A核上大概几毫秒到几十毫秒。这个时延对多径识别、周跳探测这类任务完全够用，因为这些决策本来就是秒级或者历元级的，不是毫秒级的。

但要注意，码环和载波环是实时的，环路更新周期可能是1ms或者更短，任何跟环路串联的模型都必须在这个时间窗内完成。所以工程上的普遍做法是模型不进环路，只进观测域：环路照常跑，模型在观测层做判别和加权，这样时延约束就宽松得多。

5.2 量化与剪枝：别在小模型上用力过猛

INT8量化在图像任务上一般掉点不多，但在这种信噪比本来就低的任务上要谨慎。相关器输出的弱信号部分幅度很小，量化到8位之后有效位数不够，弱信号样本的判别精度会明显下降。我的经验是输入层保留FP16或者做逐通道量化，中间层再上INT8，实测精度损失能控制在1到2个百分点以内。

剪枝的收益在小模型上不明显。一个五十万参数的模型剪掉一半，推理速度可能只提升20%，因为瓶颈往往在内存访问而不是计算。不如直接把输入尺寸降下来，比如把13×100的时间窗缩到13×50，效果更直接。

5.3 跨场景泛化：这是最容易被低估的问题

同一个城市，晴天和雨天的多径特性不一样；同一条路，早晚高峰车流不同，反射面也不同。模型在训练集上90%，换到新场景掉到70%是常态。缓解手段有几种：一是做在线自适应，用无标签的新数据做几次微调，但端侧做反向传播代价太大；二是做集成，训几个在不同场景下表现好的模型，用不确定性加权融合；三是把模型输出和传统方法做"与"逻辑，只有两者都认为可疑才剔除，牺牲一点查全率换稳定性。

我个人更倾向第三种，因为导航这个领域对连续性和完好性的要求高于对极限精度的追求。宁可少剔除几颗可疑星，也不能把好星误剔导致几何构型变差、精度反而下降。

6. 评估与踩坑：怎么判断模型是真有用还是过拟合了数据

6.1 别只看分类准确率

分类准确率是最容易好看也最容易骗人的指标。样本不均衡时，全判多数类就能有80%的准确率。要看查全率和查准率的平衡，画ROC曲线算AUC，更重要的是看"在固定虚警率下的检出率"——工程上虚警的代价通常高于漏检，因为频繁剔除卫星会让解算几何变差。可以定一个目标，比如虚警率控制在5%以内，看检出率能到多少，这个数字才有参考价值。

6.2 端到端验证：模型指标好不等于定位精度好

这一点必须单独强调。分类任务涨了两个点，定位精度可能一点没变，甚至变差。原因是定位解算是一个多星加权的过程，单星判别的提升能不能转化成定位提升，取决于被正确判别的那些星在几何构型里占多大权重。验证方法只有一个：把模型接进完整的解算链路，用同一批测试数据跑开环和闭环两种模式，比较水平误差的RMS、95分位误差，还有固定解率（如果用RTK）。只有闭环指标提升了，才算真有用。

6.3 几个踩过的坑

第一个坑是标签泄漏。前面提过按样本随机切分的问题，还有一种更隐蔽的：用参考轨迹反算残差做标签时，如果参考轨迹本身用了待评估的那些卫星，标签里就混进了被测信号的信息，评估结果虚高。

第二个坑是预处理不一致。训练时用了某种归一化，部署时忘了加，或者用了不同的窗长，模型在端上表现断崖式下跌。建议把预处理写成一个独立的、可序列化的模块，训练和推理共用同一份代码。

第三个坑是忽略温度和时间的影响。射频前端的增益随温度漂移，采集时的增益设置如果和部署时不同，相关器输出的绝对幅度就变了。用幅度归一化能缓解，但如果模型偷偷学了绝对幅度的特征（比如靠整体能量高低判断强弱信号），换个增益就失效。可以在训练时做增益随机化，让模型对这个维度不敏感。

第四个坑是过度依赖单一数据源。只用一台设备采的数据，训出来的模型可能学到的是这台设备的滤波器特性、天线方向图，而不是信号本身的物理规律。至少用两三台不同前端的数据混着训，泛化会好很多。

最后分享一个实际体会：这类方案真正的价值不在于把某个指标刷高几个点，而在于它提供了一种"把难以建模的误差源当成模式识别问题来处理"的思路。多径、干扰、欺骗这些东西，物理机制复杂到很难写出一组完备的方程，但它们在观测数据里留下的痕迹是有规律的，CNN擅长的正是抓这种规律。把它的输出当成一个额外的观测量，交给后面的抗差估计和完好性监测去消化，比让它直接接管决策要稳得多。至于模型结构、输入形式、训练技巧，都是在这个框架下逐步磨出来的，先跑通最小闭环，再谈优化。