一种对抗卫星导航欺骗攻击的因子图优化列车定位方法

1.一种对抗卫星导航欺骗攻击的因子图优化列车定位方法，其特征在于，包括：确定并初始化具有欺骗包络分量的系统状态节点、具有欺骗缓解能力的因子图模型以及相关参数；在接收到测速测距传感器信息帧时，或在接收到卫星信号信息帧时对测速测距传感器信息帧采用线性插值对齐时间戳后，计算测速测距传感器预积分位置；确定轨道信息中最近轨道片，对预积分位置进行地图匹配，计算可靠偏差，构建自适应检测和识别统计量，感知欺骗事件并识别可视卫星中的欺骗卫星；激活识别的欺骗卫星对应的欺骗包络状态，构建真实/欺骗卫星的自适应伪距因子、测速测距传感器预积分因子、地图匹配因子和先验因子，联合优化因子图，初步求解列车的定位解；根据初步定位解计算伪距残差，并对欺骗卫星的残差进行补偿，更新残差池，拟合残差池中每个可视卫星的残差分布，计算自适应权重并反馈到自适应欺骗检测、识别和缓解步骤中，继续迭代获取列车的最优定位解。 2.根据权利要求1所述的方法，其特征在于，所述的确定并初始化具有欺骗包络分量的系统状态节点、具有欺骗缓解能力的因子图模型以及相关参数，包括：S1.1、确定和初始化具有欺骗包络分量的系统待估状态节点；在多源紧耦合定位中，全球导航卫星系统GNSS的原始观测伪距和多普勒频移、惯性导航系统INS三轴陀螺仪和加速度计的原始观测值、轮轴测速传感器ODO的原始观测轮轴脉冲计数被处理并送入因子图优化中进行联合优化定位，若可视卫星中存在欺骗卫星，则欺骗卫星的欺骗包络状态分量将被激活，选取初始位置为原点的东-北-天为世界坐标系，即w系，也是因子图的参考坐标系，则在一个时间窗口内，系统的多维状态节点集合χ和状态节点x k 构建为：其中，在k历元时刻，x k 表示18维状态节点， 和 为列车的三维位置和速度， 为四元数形式表示的列车姿态， 和 为IMU载体系的三维加速度计和陀螺仪零偏， 和 为GNSS接收机的钟差和钟漂， 为ODO的尺度因子，s k 为欺骗包络，m为被识别的欺骗卫星数量，n为滑动窗口大小；S1.2、确定和初始化欺骗缓解因子图模型的全局第一个节点的先验因子初始状态先验信息x 0 由测量设备的测量值或经验值给定，且与系统状态节点一一对应，表示为：其中， 为初始化位置、速度和姿态， 和 为初始化IMU加速度计和陀螺仪零偏， 和 为初始化GNSS接收机钟差和钟漂， 为初始化ODO的尺度因子；假设初始化信息的误差w 0 服从高斯分布N，则全局第一个节点的先验因子的量测方程表示为：其中，∑ 0 是全局第一个节点的先验因子的噪声协方差矩阵，表示初始化信息的不确定度；得到全局第一个节点的先验因子的误差函数根据全局第一个节点的先验因子的误差函数对因子图模型进行校准；S1.3、确定和初始化具有欺骗缓解能力的因子图模型；将惯性测量单元IMU量测和ODO提供的列车车轮前进方向的里程测量结合，在优化过程中，IMU/ODO预积分作为主体进行时序状态递推，基于IMU和ODO量测模型构建的IMU/ODO预积分因子用来对相邻历元状态形成概率约束，GNSS伪距因子和多普勒速度因子，基于可视卫星的观测量构建量测模型约束当前历元的相关状态节点，电子轨道地图DTM辅助构建的地图匹配因子将约束列车位置到固有的轨道线路上；在紧耦合GNSS/INS/ODO/DTM定位的因子图结构中加入了欺骗对抗措施，包括自适应欺骗检测、识别和缓解，利用IMU/ODO预积分输出、地图匹配和GMM误差权重来辅助构建可靠偏差，进行二元假设检验，决策是否存在欺骗攻击，在检测到欺骗攻击后，通过标准化可靠偏差确定可视卫星中的欺骗卫星，自适应欺骗消除策略通过激活识别的欺骗卫星的欺骗包络节点，在优化过程中直接优化求解并补偿欺骗量测，确定和初始化具有欺骗缓解能力的因子图模型。 3.根据权利要求2所述的方法，其特征在于，所述的在接收到测速测距传感器信息帧时，或在接收到卫星信号信息帧时对测速测距传感器信息帧采用线性插值对齐时间戳后，计算测速测距传感器预积分位置，包括：设置测速测距传感器包括惯性传感器IMU和轮轴测速测距传感器ODO；将IMU的角速度 和加速度 建模为：其中，n g 和n a 分别为陀螺仪和加速度计的噪声， 为w系向IMU载体系b系转换的方向余弦矩阵， 为其逆变换， 为w系由于载体运动和地球曲率引起的牵连角速度， 为地心地固坐标系e系相对于惯性坐标系i系的地球自转角速度在w系的投影， 和 为有地球自转和载体运动引起的科氏加速度和向心加速度， 为导航系n系地球重力经坐标转换矩阵 得到的地球重力在w系的投影，在不同位置重力通常与其所处的维度 和高度h有关，设置重力模型为：根据ODO的脉冲计数 计算在两个连续时间戳内列车沿轨道运行的一维里程增量 其中，R w 为主动轮的半径，π为圆周率；将ODO量测表达为如下矢量形式：在两个相邻优化时段[t i-1 ，t i ]，IMU/ODO的预积分模型为：其中， 为b系下的速度，ι a ，ι g 和ι odo 为IMU加速度计、IMU陀螺仪和ODO尺度因子的高斯白噪声，Ω为一个合成矩阵，其第一列为四元数 第一行是 的共轭四元数的转置，其余部分为 构成的反对称矩阵。 4.根据权利要求3所述的方法，其特征在于，所述的确定轨道信息中最近轨道片，对预积分位置进行地图匹配，计算可靠偏差，构建自适应检测和识别统计量，感知欺骗事件并识别可视卫星中的欺骗卫星，包括：S3.1执行地图匹配，确定测速测距传感器预积分预测位置的在轨位置；提取列车当前占用的轨道段，将轨道电子地图简化为e系下一系列感兴趣的点 相邻感兴趣点是轨道段的端点坐标，通过判断IMU/ODO预积分预测位置 与轨道段的接近程度来判别列车所占用的轨道段；其中，id表示感兴趣点的索引；在确认列车占用轨道段索引后，将列车预测位置 投影到轨道线路，列车投影位置 计算为：S3.2计算可靠偏差，感知欺骗事件并识别可视卫星中的欺骗卫星；第i个可视卫星的参考伪距计算为：参考伪距与卫星校正的观测伪距 之差被定义为可靠偏差α k，i ，计算为：对于真实卫星，可靠偏差仅包含未建模的伪距误差ε k，i ，而当欺骗事件发生时，欺骗卫星的偏差中将引入欺骗包络s k，i ，基于可靠偏差构建加权残差平方和作为欺骗检测统计量；其中，l为当前历元可视卫星数，W k 为自适应加权矩阵，其对角元素是由高斯混合模型推导的卫星残差分布方差的逆，在无欺骗条件下，WSSE检测指标服从自由度为l的卡方分布，而在欺骗攻击下，WSSE检测指标将不在服从卡方分布，根据预先设定的虚警率计算检测阈值T h ，则用于自适应欺骗检测的二元假设检验为：将卫星信号的载波噪声功率谱密度C/N 0 引入到检测统计量的加权矩阵中，将C/N 0 增强的权重矩阵W构建为：其中，γ(ω 1 ≤γ≤1)为可视卫星C/N 0 推导的二次函数，关于中心 对称；ω 1 和ω 2 为调节因子，用来控制函数的最低限值和梯度；在感知到欺骗事件后，自适应欺骗识别被进一步执行来定位可视卫星中的欺骗卫星，标准化可靠偏差计算为：在可视卫星集合中，具有最大标准化可靠偏差的卫星被判定为欺骗卫星，其欺骗标志被设置为Tag＝1，通过删除可靠偏差α k 和自适应加权矩阵W k 中欺骗信号对应的成分，来更新α k 和W k ，并重新计算WSSE检测指标，再次执行欺骗检测，直到更新的WSSE指标低于检测阈值，算法终止，认为所有欺骗卫星均被识别出，而剩余信号判定为真实信号，其欺骗标志设置为Tag＝0。 5.根据权利要求4所述的方法，其特征在于，所述的激活识别的欺骗卫星对应的欺骗包络状态，构建真实/欺骗卫星的自适应伪距因子、测速测距传感器预积分因子、地图匹配因子和先验因子，联合优化因子图，初步求解列车的定位解，包括：S4.1构建GNSS自适应因子，并将其加入到因子图模型中；利用GNSS因子约束当前历元下系统状态节点的位置、速度、钟差和钟漂，在无欺骗场景下，将第i颗可视卫星的伪距 和多普勒频移d k，i 建模为：其中，上角标A表示真实卫星信息， 和 是可视卫星的空间位置、速度、钟差和钟漂，λ是波长， 是接收机和卫星的视线向量， 和 是电离层、对流层和地球自转引起的等效伪距误差， 和 是对应的等效伪距率误差， 和 为未建模的伪距和伪距率误差；h Aρ ()和h d ()分别为真实伪距和多普勒频移的观测模型；在欺骗攻击下，将引入欺骗包络的伪距观测方程建模为：其中，上角标S表示欺骗卫星的信息；h Sρ ()为欺骗伪距的观测模型；s k，i 为欺骗伪距的欺骗包络；则GNSS伪距和多普勒速度因子的误差函数计算为：其中， 和 为经过式(18)、(19)和(20)校正的GNSS量测， 和 为真实伪距、伪距率和欺骗伪距对应的协方差矩阵，建模为零均值高斯分布；引入具有自适应误差建模的GNSS自适应因子用于因子图优化，GNSS自适应因子计算为：其中， 和 为高斯混合模型GMM推导的真实和欺骗卫星伪距的自适应方差；S4.2给定IMU/ODO预积分因子的更新周期ΔT，通过误差项的状态转移，计算在k到k-1时刻IMU/ODO预积分因子的误差函数其中， 是IMU/ODO量测z IMU/ODO 的协方差矩阵，表示IMU/ODO预积分等效测量相关的不确定性， 和 通过式(9)一阶近似校正的IMU/ODO预积分结果； 和 为式(1)定义k时刻状态节点分量，分别表示位置、速度、姿态、加速度计零偏、陀螺仪零偏和ODO的尺度因子；S4.3地图匹配因子计算为：其中， 为地图匹配因子关联的方差；S4.4构建滑动窗口内的先验因子，并将先验因子加入到因子图模型中；当滑动窗口内的状态数量超出窗口容量时，最旧的状态将被边缘化，并将边缘化状态对应的传感器量测转化为先验因子，其代价函数为：其中， 是滑动窗口内第一个系统状态节点的固定线性化点，J prior 和σ prior 为先验因子的雅各比矩阵和残差；S4.5通过联合GNSS真实伪距自适应因子、GNSS欺骗伪距自适应因子、GNSS多普勒速度因子、IMU/ODO预积分因子、地图匹配因子和先验因子，列车运行状态的初步估计 通过最小化全局误差函数得到：所采用的因子图求解法为Ceres Solver中的Levenberg-Marquardt方法。 6.根据权利要求5所述的方法，其特征在于，所述的根据初步定位解计算伪距残差，并对欺骗卫星的残差进行补偿，更新残差池，拟合残差池中每个可视卫星的残差分布，计算自适应权重并反馈到自适应欺骗检测、识别和缓解步骤中，继续迭代获取列车的最优定位解，包括：采用最多具有三个高斯分量的高斯混合模型来建模GNSS残差分布的核心和可能存在的拖尾，根据因子图联合优化求解的最优状态，第i颗卫星的伪距残差被计算为：其中， 和 为求解的最优位置、接收机钟差和欺骗包络，对于识别的欺骗卫星，其残差将使用估计的欺骗包络校正；最新计算的GNSS残差被加入到残差池中，当残差池中的残差项超过容量时，最早加入的残差项将被移除，采用GMM对每颗可视卫星的残差集合进行拟合，由于欺骗卫星的残差被欺骗包络校正后接近0值，被识别的欺骗卫星的残差将不会加入到残差池中；将k时刻第i颗卫星伪距残差的高斯混合模型的概率密度函数建模为：其中， 是高斯混合模型的参数， 为高斯分量的权重，μ和∑为均值和方差；若采用变分推断来求解高斯混合模型的参数，则通过迭代执行变分E步和变分M步，直至似然函数收敛或达到预定义的最大迭代阈值，得到最优GMM参数 进而计算卫星伪距观测的自适应方差为：在迭代定位解算中，自适应方差将被反馈到自适应欺骗检测、识别和缓解，持续迭代式(29)得到列车运行状态的最优估计。