AI技术主要通过模式识别、自适应优化和智能测试三个方面为接收机自主完好性监测（RAIM）赋能。同时，低轨（LEO）导航增强了性能，但也对传统RAIM算法提出了新的挑战。
🔍 AI为RAIM赋能的三个主要方向
- 模式识别与故障分类
基于机器学习的RAIM将故障检测转化为模式识别问题。例如，有研究提出一种基于自组织映射（SOM）神经网络的SOM-RAIM方法，它将多维最小二乘残差作为特征进行聚类，相比传统阈值方法，能更早地报警小幅度故障，提高了对故障偏差的检测灵敏度。 - 自适应优化与误差建模
在复杂的LEO增强环境中，传统误差模型可能不再适用。AI可用于构建更精确的自适应误差模型。例如，有研究通过引入三维网格误差随机模型，综合卫星高度角、载噪比等信息来确定权重，从而更准确地计算保护水平，提升了定位精度和保护水平。 - 智能测试与模型验证
为确保AI模型在接收机中可靠运行，需要专门的测试方法。研究提出的ATLAS框架，利用AI引导的搜索来高效生成测试用例，能够主动发现AI原生接收机在特定信道条件下的性能缺陷，这为评估和保障AI-RAIM系统的可靠性提供了新工具。
🛰️ 低轨导航中的RAIM挑战与新算法
LEO星座能提供更多可见卫星和更强信号，这增强了导航性能，但也带来了新挑战：可见卫星数量激增导致故障检测与排除的计算负担沉重；复杂的空间信号环境使得传统误差模型过于保守，保护水平被高估。
针对这些挑战，近期研究提出了新的算法思路：
· 后向递归故障检测与排除（BR-FDE）算法：该算法基于三维网格误差模型，并利用矩阵求逆引理推导多故障检测公式。研究表明，相比传统RAIM等方法，它能显著降低计算复杂度，并提升保护水平。
· 基带域参数辅助的RAIM算法：传统RAIM在测量域检测故障，难以识别信号在传播中畸变（如"邪恶波形"）导致的微小伪距偏差。该算法通过融合基带域的监测参数（如采样向量平方距离、载噪比等），实现了对信号畸变的早期检测，从而提高了定位精度。
· 多检测统计量联合的T-RAIM方法：针对可见卫星增多时故障检测概率下降的问题，该方法在授时RAIM场景下联合多个检测统计量进行检验。仿真表明，在纯北斗和北斗加低轨混合场景下，它能平均提升故障检测概率。
💡 研究脉络与核心进展
为了让你更清晰地把握该领域的研究脉络，以下是几项关键研究的核心思路与贡献：
研究重点：基于自组织映射神经网络的RAIM方法
· 核心思路：将故障识别重新定义为聚类问题。
· 创新点：使用SOM神经网络对卫星最小二乘残差进行聚类分析。
· 主要贡献：降低最小可检测偏差，提高小幅度故障的识别概率。
研究重点：低轨增强导航中的自适应随机误差模型算法
· 核心思路：构建适用于LEO复杂环境的误差模型。
· 创新点：提出后向递归FDE算法与三维网格误差随机模型。
· 主要贡献：显著降低多卫星FDE计算复杂度，优化保护水平。
研究重点：基带域参数辅助的RAIM算法
· 核心思路：将故障检测从测量域前移至基带信号处理域。
· 创新点：设计基带域故障检测与排除模块，并与传统RAIM融合。
· 主要贡献：有效检测信号畸变，在复杂环境中提升定位精度。
研究重点：AI原生接收机的AI引导测试方法
· 核心思路：为难以解释的AI模型构建系统性测试框架。
· 创新点：采用梯度优化引导搜索高风险故障场景。
· 主要贡献：高效发现AI接收机性能短板，保障可靠性。
🔮 未来展望
综合来看，该领域未来发展可能集中于：
· 算法融合：结合基于概率模型、集合表示和机器学习的方法，以应对多样化的故障场景。
· 风险优化分配：研究更合理的完好性风险与连续性风险分配策略，以降低保守性，提升系统可用性。
· 工程化与轻量化：推动智能算法在资源受限的接收机平台上的实际部署。