智能交通系统中PPP的脆弱性和完好性：综述和分析| 杜玉军
Vulnerabilities and integrity of precise point positioning for intelligent transport systems: overview and analysis
Yujun Du* , Jinling Wang, Chris Rizos and Ahmed El‑Mowafy
Satellite Navigation(2021)2: 3
引用文章:
Du, Y. J., Wang, J. L., Rizos, C. et al. Vulnerabilities and integrity of precise point positioning for intelligent transport systems: overview and analysis. Satell Navig 2, 3 (2021). https://doi.org/10.1186/s43020-020-00034-8.
PDF文件下载链接：
https://satellite-navigation.springeropen.com/articles/10.1186/s43020-020-00034-8
-长按识别二维码查看/下载全文-
Editorial Summary
GNSS: PPP vulnerability and integrity
Autonomous driving, as a representative technology of Intelligent Transport System (ITS), will make great changes in transportation. It requires decimetre to sub-metre accuracy positioning as well as high integrity. This paper gives an overview of vulnerabilities in GNSS PPP in order to identify the faults that need to be monitored when developing PPP integrity monitoring methods in ITS applications. They are classified into different groups according to their sources to assist integrity fault analysis, e.g., failure modes and effects analysis and fault tree analysis. The causes and characteristics, impacts, fault models and some probabilities of these threats are summarised, with detailed discussion on some major threats. The development of PPP integrity research, with a focus on ITS context is also reviewed. Requirements, challenges, and existing integrity monitoring methods, including system-level (network-end) and user-level (user-end) approaches, for PPP in urban environments are discussed. Overall, the ITS integrity requirements, probabilities of many of the threats (i.e., a threat model), and PPP integrity methods are still under investigation and require comprehensive studies. Some open research issues regarding PPP vulnerabilities and integrity for ITS applications are pointed out in this paper.
本文亮点
对PPP技术应用于以自动驾驶为代表的智能交通系统(ITS)技术的关键问题，即其脆弱性进行了全面的综述分析，从卫星和信号、信号传播介质(大气)、数据产品(实时改正)、工作环境和用户五个方面，对PPP主要的故障模式进行了细致的梳理和讨论，并介绍了故障模式及影响分析(FMEA)和故障树分析(FTA)两种完好性故障分析方法在PPP完好性监测中的应用。
就ITS对卫星导航定位的精度和完好性需求进行了简要讨论，并对PPP完好性的研究和应用现状进行了综述，对PPP完好性监测的挑战，特别是ITS所在的复杂城市环境下完好性监测的挑战进行了探讨，指出了PPP在ITS中脆弱性及完好性研究的一些开放问题。
内容简介
以自动驾驶为代表的智能交通系统(ITS)技术有望大大改善交通情况。而分米至亚米级定位能力是自动驾驶等ITS应用实现的基础。由于GNSS PPP技术的高精度、低成本和灵活性，其在ITS中将有重要的应用前景。然而PPP容易受到各种因素的影响，特别是ITS所在的城市环境中。为满足ITS的完好性需求，需要仔细的分析研究PPP的潜在故障和相应的完好性监测方法。本文对PPP的脆弱性进行了综述，从而明确PPP完好性监测中需要监测的故障模式。为了便于进行PPP完好性故障分析，本文根据这些故障因素的成因和影响将其分为了几组，并介绍了故障模式及影响分析(FMEA)和故障树分析(FTA)两种完好性故障分析方法。进而对其中的主要故障模式进行了详细的讨论，包括其成因、特点、影响和相应的削弱方法。文章同时对ITS的完好性需求进行了简要讨论，并对PPP和ITS中的完好性监测方法研究现状进行了回顾——分别对系统级和用户级PPP完好性监测方法进行了讨论，特别是其发展现状和在城市环境中面临的挑战。在此基础上，对其中主要的开放性研究问题进行了总结，希望可以为相关研究指明努力的方向。
I.故障模式及影响分析(FMEA)
为便于分析，将PPP的主要故障模式分为五个方面：卫星和信号、信号传播介质(大气)、数据产品(实时改正)、工作环境和用户。具体的故障模式、故障类型、先验概率及相关说明见表1，不同故障类型的数学模型见表2。
表 1 GNSS PPP 的主要故障模式表 2 GNSS PPP故障的数学模型 (Bhatti &Ochieng, 2007)
II.故障树分析(FTA)
正常情况和故障情况均可能造成完好性丢失，而故障情况则包含了表1中的五个方面，各方面的故障可以细分为具体的故障模式。各故障模式下完好性丢失的概率（只有未被监测到的故障会造成完好性丢失）以及正常情况下的完好性丢失的概率之和应等于总完好性风险概率。故障树分析可以用来评估系统的完好性风险概率，也可以用来分配具体各故障模式的完好性需求。
图 1 GNSS PPP完好性故障树示例。PLOI为完好性风险概率，各脚标表示不同类型的故障模式。各类故障的具体故障模式见表1。本图根据Hexagon Positioning Intelligence的 Velocity 2019杂志文章“Quantifying Integrity”(p. 20)修改，版权为Novatel Inc所有（本文经修改授权）。
III.示例1：PPP-Wizard软件中的两种FDE（故障检测和剔除）方法及基于卡方检验的FDE结果比较
用改进的PPP-Wizard软件对双系统(GPS+Galileo)多频率的静态观测值进行了动态PPP解算，采用非差非组合浮点解模式。在GPS L1的载波观测值中随机模拟了10组粗差。无FDE的PPP定位误差如图2所示，可见10组粗差的影响反应到定位结果中，出现不同程度的跳变。图3 (a)、(b)所示分别为PPP-Wizard软件所采用的“Simple FDE”和“Advanced FDE”两种FDE方法的定位误差。图4为采用基于卡方检验的FDE方法后的定位误差。而图5、图6分别为PPP-Wizard软件的故障（粗差）检测，以及卡方检验的统计量。卡方检验的阈值会根据自由度而变化，具有统计学意义，相比而言PPP-Wizard软件采用的通过固定阈值筛查后验残差的FDE方法不够严密（即使可能得到正确结果），特别是其“Simple FDE”方法会造成许多漏检和误判（错误剔除）。
图 2 无FDE情况下的PPP 定位误差(收敛后)
图 3 PPP-Wizard中两种FDE方法的PPP定位误差（收敛后）
图 4 基于卡方检验的FDE方法的PPP定位误差(收敛后)；PFA = 0.01
图 5 PPP-Wizard软件的故障（粗差）检测，即用固定阈值对后验残差进行筛查来定位粗差观测值
图6 伪距和载波观测值的卡方检验统计量和阈值；PFA = 0.01
IV.示例2：两种基于卡方检验的FDE统计量比较
本示例对滤波解算中的预报状态（对PPP而言通常是伪距单点定位结果）模拟了6组粗差。图7为无FDE情况下的定位误差，图8 (a)、(b)分别为仅考虑后验观测值残差的“观测值一致性检测(OCT)”(Wieser, 2004)，和综合考虑后验观测值残差及状态改正的“局部总体模型(LOM)”(Teunissen, 1990)的粗差检测卡方检验统计量。可见OCT模型有时无法有效检测动态模型中的故障，而LOM相对更加有效。
图 7 预报状态中存在粗差时，无FDE情况下的PPP定位误差(收敛后)
作者简介
杜玉军 博士
School of Civil and Environmental Engineering, UNSW Sydney
本文通讯作者毕业于武汉大学并获得博士学位，曾在山东大学（威海）和新南威尔士大学(UNSW)从事博士后研究。主要研究方向为卫星导航定位、卫星定轨与轨道理论、完好性技术等。
撰稿：本文作者
编辑：《卫星导航（英文）》编辑部
关于我们
Satellie Navigation 是中国科学院空天信息创新研究院主办的英文学术期刊，主要报道卫星导航相关的最新高水平科研成果与综述文章及通讯，在 Springer Nature开放获取（open-access）出版。可免费获取全文，欢迎关注和投稿。
Website：http://satellite-navigation.springeropen.com/
E-mail：editorial_office@sana.org.cn
Tel：86-10-58887063长按二维码关注我们