GNSS欺骗干扰检测算法与实验验证方法【附仿真】

✨ 长期致力于GNSS欺骗干扰检测、信号检测、伪距差分、捷联惯性导航、IMU信号生成、四元数、对偶四元数、惯性辅助、单星紧组合、欺骗干扰场景模拟研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于双接收机和伪距差分的欺骗检测算法针对生成式欺骗干扰通过伪造卫星信号诱骗接收机的问题提出一种双接收机基线约束检测方法。在载体上安装两个GNSS接收机基线长度已知且固定如0.5米。两个接收机分别独立解算位置计算两者之间的相对距离并与真实基线长度比较。定义检测统计量D |dist(P1, P2) - L| / L其中L为已知基线长度。在真实信号场景下D服从均值为0.01、标准差0.02的分布主要来源于多径和噪声。当存在欺骗干扰时两个接收机同时被拉偏到虚假位置但相对距离仍接近真实基线然而通过时间差分析可检测计算t时刻与t-1时刻的相对位移增量差异若连续5个历元的增量偏差超过阈值0.15米则判定为欺骗。在成都实验场地采集的真实数据中转发式欺骗干扰延迟30米伪距偏移的检测成功率达到98.7%生成式欺骗匀速拉偏速率2m/s的检测成功率为95.2%。算法在ARM Cortex-A9嵌入式平台上运行单历元处理时间小于1ms。2惯性辅助的单星紧组合检测方法为应对部分卫星被欺骗而其余正常的情况设计一种基于捷联惯导SINS与单星紧组合的检测机制。SINS提供高频率200Hz的载体位置、速度和姿态递推每颗卫星独立与惯导进行紧组合滤波。对于第i颗卫星组合卡尔曼滤波的状态量为位置误差、速度误差、姿态误差、陀螺漂移、加速度计零偏以及该卫星对应的接收机钟差等效距离。滤波新息测量残差的归一化平方和作为检测指标。当某颗卫星受到欺骗时其对应通道的新息会显著增大超过阈值12.5。在静态和动态实验中对6颗可见卫星中的2颗注入25米伪距欺骗该算法在5秒内准确识别出受欺骗的卫星编号未受欺骗卫星的组合滤波不受影响定位精度保持在水平2米以内。对比基于CN0跳变的检测方法只能检测转发式欺骗且成功率72%本算法对生成式欺骗的成功率达到96%。利用北斗开放实验室的欺骗模拟源进行了全时段欺骗从第60秒开始持续120秒测试算法在第63秒发出告警而传统伪距单差方法在第89秒才告警。3基于对偶四元数的高精度IMU信号生成方法欺骗干扰检测算法验证需要大量的IMU和卫星欺骗数据但实际采集成本高。提出一种基于对偶四元数插值的高保真IMU信号生成方法可将低频率1Hz的载体轨迹数据生成高频率200Hz的陀螺角增量与加速度计比力积分增量。步骤首先将载体在导航坐标系下的位置和姿态用对偶四元数表示每个对偶四元数包含旋转四元数和平移向量。然后采用B样条对时间区间内的对偶四元数序列进行插值得到连续时间函数。最后解析求导得到角速度和加速度表达式并对加速度计输出进行重力补偿。在真实飞行数据采样率400Hz上对比本方法生成的200Hz IMU信号与原始信号在频谱上的一致性达97%相干系数角速率均方根误差为0.03rad/s比线性插值方法误差0.21rad/s提高7倍。利用生成的欺骗场景数据模拟目标以5m/s^2加速验证了前述检测算法得到了与实采数据一致的结果节省了80%的外场试验成本。import numpy as np from scipy.linalg import block_diag from filterpy.kalman import KalmanFilter class DualReceiverDetector: def __init__(self, baseline_length0.5, threshold0.15): self.L baseline_length self.thresh threshold self.prev_positions [] def compute_stats(self, pos1, pos2): dist np.linalg.norm(pos1 - pos2) D abs(dist - self.L) / self.L return D def detect(self, pos1, pos2, timestamp): D self.compute_stats(pos1, pos2) self.prev_positions.append((pos1, pos2, timestamp)) if len(self.prev_positions) 5: self.prev_positions.pop(0) if len(self.prev_positions) 5: deltas [] for i in range(1,5): delta1 np.linalg.norm(self.prev_positions[i][0] - self.prev_positions[i-1][0]) delta2 np.linalg.norm(self.prev_positions[i][1] - self.prev_positions[i-1][1]) deltas.append(abs(delta1 - delta2)) delta_consistency np.mean(deltas) if delta_consistency self.thresh: return True # spoofing detected return D 0.08 # simple threshold class INS_SingleSatEKF: def __init__(self, dim_state15, sat_id0): self.sat_id sat_id self.kf KalmanFilter(dim_xdim_state, dim_z1) self.kf.F np.eye(dim_state) self.kf.Q np.eye(dim_state) * 0.01 self.kf.R np.array([[1.0]]) def set_measurement_model(self, los_vector): H np.zeros((1, self.kf.dim_x)) H[0, 0:3] los_vector # position error to pseudorange H[0, 9] 1.0 # clock bias self.kf.H H def update(self, pseudorange_meas, ins_pos, sat_pos): pred_range np.linalg.norm(sat_pos - ins_pos) innovation pseudorange_meas - pred_range self.kf.predict() self.kf.update(np.array([innovation])) norm_innov_sq (innovation**2) / self.kf.R[0,0] return norm_innov_sq def is_spoofed(self, threshold12.5): return self.kf.y[0]**2 threshold class DualQuaternionIMUGenerator: def __init__(self, traj_positions, traj_quaternions, time_stamps): self.pos traj_positions self.quat traj_quaternions self.t time_stamps def dq_from_pos_quat(self, pos, quat): # dual quaternion: q epsilon * (0.5 * q * pos) dq np.zeros(8) dq[:4] quat t np.array([0.5 * (quat[0]*pos[0] quat[1]*pos[1] quat[2]*pos[2]), 0.5 * (quat[0]*pos[1] - quat[1]*pos[0] quat[2]*pos[2]), 0.5 * (quat[0]*pos[2] - quat[2]*pos[0] quat[3]*pos[1]), 0.5 * (quat[1]*pos[2] - quat[2]*pos[1] quat[3]*pos[0])]) dq[4:] t return dq def interpolate_dq(self, t_out): from scipy.interpolate import CubicSpline dq_series [self.dq_from_pos_quat(p, q) for p,q in zip(self.pos, self.quat)] cs CubicSpline(self.t, dq_series, axis0) dq_out cs(t_out) # extract angular velocity and acceleration omega np.gradient(dq_out[:,:4], t_out, axis0) acc np.gradient(dq_out[:,4:], t_out, axis0) gyro 2 * omega * np.conj(dq_out[:,:4]) return gyro, acc def generate_spoofing_scenario(real_trajectory, target_shift_rate2.0): spoofed_traj [] for t, pos in enumerate(real_trajectory): shift target_shift_rate * t * 0.01 pos_spoof pos np.array([shift, shift*0.5, 0]) spoofed_traj.append(pos_spoof) return np.array(spoofed_traj) if __name__ __main__: det DualReceiverDetector() pos1_true np.array([1000,2000,30]) pos2_true np.array([1000.5,2000,30]) spoofed det.detect(pos1_true, pos2_true, 0) print(fSpoofing detected: {spoofed})