定位导航定时(PNT)服务是高质量生活的基本保障要素之一，甚至是核心要素之一。陌生环境的旅行、购物、约会、寻医、就餐等，首先需要位置(定位)，需要路径(导航)，也需要时间(定时)；现代城市的高效率运行与管理同样需要PNT信息的可靠支持，城市建设、土地确权、交通管理、路网管控、消防安全、地下管网等，都需要精确的PNT保障，否则城市运行与管理会出现混乱；国家基础设施更需要自主可控的PNT支持，否则，金融系统会出现混乱，电力系统可能出现故障，高铁系统、航空系统、公路交通系统等的运行效率和安全指数将得不到保障；国防安全更需要自主、可靠和安全的PNT保障，否则，国家安全和国防安全将受制于人。

国家综合PNT体系^[1]为用户的PNT信息选择提供基础，弹性PNT体系^[2]为综合PNT信息的弹性化应用提供理论与算法，智能PNT信息融合和应用是弹性PNT的具体体现，也是安全PNT体系及应用的重要基础。智能PNT，将人工智能应用于PNT服务领域，将是当前和今后一段时间PNT理论研究与应用研究的重点领域和发展方向，是实现弹性PNT的重要途径。

人工智能(artificial intelligence，简称AI)是计算机科学的一个分支。自从20世纪50年代人工智能理论被提出，已经渗入到各行各业，拥有较为完整的理论框架和算法体系^[3]。人工智能的核心是将专家智慧变成机器智能，实现机器代替人的行为和操作。主要分支领域包括机器人、语言识别、图像识别、自然语言处理和专家系统^[3-4]。

近几年，人工智能的发展，促进了测绘科学与技术的智能化进展。在互联网人与人信息便捷交互的大背景下，满足人与社会及人与环境多种需求的泛在测绘成为可能^[5]。但是，要实现智能化测绘与服务需求，互联网、物联网必须向具有精准时空位置感知能力的泛在网演进；在综合对地观测日臻完善的大背景下，各类地理空间信息将十分丰富，于是，未来实现用户定位、导航、授时、影像及地理信息的实时智能服务不仅成为可能，而且会将成为趋势^[6]；特别是，在空天地集成化传感网的支持下，实现城市的智能感知、智能决策，即所谓的智慧城市将是智能测绘发展的重点^[7]。

在卫星遥感领域，智能化遥感卫星和智能化在轨卫星遥感影像处理可能成为未来的发展趋势^[8]；随着各种实时影像采集方法与手段的进步，如激光扫描、倾斜摄影等海量影像数据的出现，如何从海量数据中快速、精确获取有效的三维地理信息成为测绘地理信息领域迫切需要解决的难题。于是点云数据的智能处理将成为重点研究方向之一^[9]。

在PNT领域，人工智能也有着广泛的应用前景^[10-11]。但是，迄今为止，PNT体系的智能往往侧重PNT信息的智能建模，如附加系统误差补偿参数的观测模型优化^[12]，附加周期误差补偿函数的水下声呐定位观测模型等；有的侧重于观测随机模型的智能调整，如基于方差分量估计的随机模型调整法^[13-14]等；在动态导航方面，自适应Kalman滤波也采用了智能调整动力学模型贡献的方法，降低异常动力模型对动态导航的影响^[15-16]。

PNT本身没有智能，而应用PNT或PNT服务需要智能。只要把PNT体系及其算法与“人工智能”相结合，实现PNT应用场景的智能感知、智能识别、PNT信息的智能集成、智能建模和智能融合，即可实现智能PNT应用。于是，可以把人工智能在PNT领域的应用简称为智能PNT服务。

但是，无论是智能PNT体系，还是智能PNT服务或智能PNT应用，都需要真正将计算机领域的人工智能与PNT服务相结合，解决PNT应用与服务的智能化问题，例如，PNT应用与服务的专家系统的构建，PNT服务的知识图谱建设，智能PNT服务的深度学习方法等，都需要深入研究与探讨。

1 PNT智能服务基本概念

智能PNT服务可定义为：将PNT专家的思想、知识和用户的需求相结合，并实现算法优化，建立适应用户需求的专家系统，再将PNT专家系统转化到机器可识别的知识图谱，最后实现PNT智能保障和智能服务的全过程。

智能PNT服务不追求个性化的PNT专家知识，而是融合大多数PNT体系专家的理论成果和应用领域专家的经验，形成共性化的知识，即所谓的专家“共识”，再以多学科专家的“共识”生成“专家知识库”^[17]，各类PNT计算模型、融合模型、融合方法等都属于专家知识库的内容。当PNT专家的“知”“识”转化为“智”，即实现了PNT智能服务的第一步。

PNT专家系统生成的“智”要转化成“能”还必须解决PNT感知与服务的逻辑推理问题，即将PNT专家系统转化为“PNT脑”，使其具备感知、分析、识别、推理和决策的能力。如此，需要将PNT专家的知识转化为“规则”，进而表示成计算机可理解的语言(即专家知识表示)，也就是用计算机符号表示PNT专家大脑中的知识，并通过符号之间的运算模拟PNT专家大脑的推理过程，实现PNT专家或工程师的知识以及PNT用户需求的“可读、可写、可视、可分析、可推理”，即用逻辑支撑语义，生成知识图谱(knowledge graph)。PNT知识图谱与计算机网络的知识图谱不同，PNT知识一般可以直接模型化或符号化。所以，PNT应用的知识图谱往往把专家的知识模型化，便于计算及识别。计算机网络的知识图谱则是“知识”的可视化和知识映射的结构化^{[4, 18]}。没有PNT知识图谱生成能力，则不可能实现专家知识与智能应用的转换，专家知识可能永远停留在书本上和论文里。只有将PNT专家的知识逻辑化、模型化，计算机才能模仿人脑描述知识、分析规律、挖掘知识间的联系，真正把专家的“知”转换为“识”，并由“共识”提炼成“规则”，才能为PNT智能应用提供真正的“能”。

PNT的专家知识和知识图谱要转化成PNT服务智能，还必须实时感知PNT用户的实际需求和实际PNT应用环境，于是各类PNT信息的“可用性感知”和PNT信息的“可靠性判断”也是智能PNT应用的先决条件。这种感知PNT的应用环境和判断PNT信息的可用性、可靠性和精确性等属于机器学习范畴。机器学习是根据专家知识和知识图谱实现PNT智能的重要环节。理解用户需求是一种“学习”，判断PNT信息的可用性、可靠性和连续性等也是“学习”。实时或准实时“学习”是了解PNT环境、获取新的知识或技能的重要途径，也是重新优化已有的PNT模型和知识结构的重要内容。

基于实时学习才能不断改善PNT各类模型，进而改善PNT信息融合性能。在动态PNT数据处理和智能应用中，监督学习(supervised learning model)、半监督学习(semi-supervised learning)、强监督学习(reinforcement learning model)和无监督学习(unsupervised learning)都有特定的使用场景。

监督学习通过对有标签(参考模型或参考标签)的数据进行训练，以某种误差最小准则，构建模型误差与参考模型误差之间的函数关系，从而在更广泛的应用中对模型误差进行修正，实现所谓的机器智能。如神经网络学习^[19]就属于监督学习法，已有不少学者利用神经网络学习进行动力学模型改进研究^[20-22]。

半监督学习法与监督学习法的区别在于，参考模型(标签)不足以作为模型优化的参考，特征较少，一般是综合利用具有部分参考标签的有限样本进行学习，获得标签数据和特征参数之间较为精确的函数关系。半监督学习法已经在室内定位方面开展过尝试^[23]。

强监督学习与监督学习和半监督学习不同，尽管也是利用未标签的数据进行学习，但是不需要事先对数据进行标记，而是以马尔可夫决策过程进行学习和训练，通过不断的“试错”进行积累或通过误差反馈信息进行学习，最终得到全局最优解。导航定位领域，已经有学者将监督学习应用在GNSS多路径识别中，结果显示通过足够的训练数据，可在静态观测中有效识别多径信息^[24-25]。在组合导航系统中，利用误差信息进行动力学模型协方差矩阵自适应调整也可以使用强监督学习法，但是过程过于复杂，而且大多数情形下，基于强监督学习的自适应滤波并不比不确定度简单统计的自适应卡尔曼滤波效果好^[15-16]。

无监督学习法无须足够的先验知识，或者参考信息，一般利用训练样本解决类别未知(没有被标记)的模式识别问题，称之为无监督学习。无监督学习的典型例子是聚类学习^[27]，聚类学习的目的是将相似的内容聚在一起，计算相似度；此外，还有分割聚类算法如k-means算法、k-medoids算法和k近邻学习等^[27]。无监督学习可以用于导航卫星信号的非视线传输(NLOS)的检测问题^[28]。

所有上述智能学习都有前提，即观测类型和数量必须具备几何冗余或物理原理冗余，于是综合PNT^[1]是智能PNT的基础，否则不可能实现PNT信息可用性感知和可靠性判断，也就不能实现PNT信息处理的智能。首先，在PNT信息多源、物理原理多源的条件下，用户才能根据实际PNT应用环境判断各类PNT信息的可用性，在此基础上实现“可用PNT信息”的弹性集成；在弹性PNT原理^[2]的支持下，专家系统才能根据环境聚类学习、模型误差不确定度学习，智能调整各类PNT函数模型和随机模型；在优化的函数模型和随机模型支持下，才能实现PNT信息智能融合以及PNT智能和精准服务。

如果没有冗余PNT信息，即使有专家知识，也不能生成智能，也谈不上用户PNT服务的智能决策和智能服务。因为，要将PNT科学家的“知”“识”“智”转换成PNT用户的“能”，需要足够的感知信息、冗余信息，为各类智能学习提供基础；如果还有标签信息(及外部参考信息)，则更能支持机器学习(监督学习)，实现PNT应用的“智”与“能”。

图 1给出了智能PNT信息生成的基本框架。

2 PNT智能服务关键环节与准则

PNT智能服务的核心是：用最适合的PNT服务模式服务于最适合的用户。这里涉及若干关键环节，每个环节都应该遵循特定的准则。

(1) 用户需求的智能感知与集成可用性准则(availability)。各类用户所处的环境千差万别，有静态用户，有动态用户，有地下、水下和隧道活动的用户，还有被各类电磁环境干扰的用户。要实现PNT智能服务，首先要感知用户PNT信息的可用性。如水下、地下和室内用户，基于无线电原理(包括GNSS)提供的PNT信息一般不可用；在强磁干扰环境下，磁强计提供的导航信息一般不可用；无地面通信基站的环境下，通信信号提供的PNT信息一般不可用等。于是，多源PNT协同感知技术及其PNT信息可用性感知是智能PNT服务与应用的前提条件，也是关键技术之一。在用户需求感知和PNT信息可用性判断的基础上，各类PNT信息集成与融合才有意义，进而才有可能生成用户最可靠的PNT服务信息。于是，PNT信息的智能感知和应用环境的智能感知是智能PNT服务的研究方向之一。

(2) PNT信息的智能函数模型优化必须遵循可靠性准则(reliability)。函数模型智能化的基础是模型的“可靠性”。模型的可靠性侧重反映模型的系统误差，而不是模型的随机误差。因为随机误差一般不能通过函数模型进行补偿。要实现函数模型实时智能优化，则必须具备模型系统误差识别能力，模型误差变化规律学习能力，否则函数模型的智能优化将失去基础。

不同环境下，即使同一类PNT感知信息，受各类环境的影响，观测误差特性也会存在差别，于是，相应的观测模型所包含的误差参数的特性和变化规律也应该有所差别。通常认为，“智能函数模型”一般是基于机器学习拟合模型误差规律，进而优化观测模型^[11]，其中神经网络学习法^{[19-22, 29]}是机器学习使用最为广泛的智能学习方法之一。其实，有时很简单学习法也能起到函数模型智能优化的效果。例如开窗拟合法可以拟合模型系统误差趋势(类似于简单回归分析建模)，并补偿到观测模型中，用于改进函数模型^[12]，属于函数模型智能优化的一种；如果在函数模型中附加待定误差补偿参数项，如周期函数、指数函数、多项式等，使函数模型更适应实际观测或实际运动学特征，也属于函数模型智能化的方法之一；所谓的弹性函数模型^[2]实质上也是函数模型智能化策略之一。作为一个典型的海洋PNT智能建模的例子，文献[30]针对不同海区的不同声速变化和声线弯曲，构建了具有周期误差函数项的观测模型，这类模型的周期和振幅是根据不同海洋环境的变化而变化的，于是这类声呐观测模型不仅显示了弹性化，也隐含了智能化。常用的函数模型优化大多数不是监督学习法，而是半监督学习(即依据部分高精度参考信息实施模型误差识别与智能优化)或自监督学习法(即根据模型参数估计后的观测残差，没有任何外部参考信息的帮助的条件下，重新拟合模型系统误差，并进行模型优化)。

(3) PNT信息的智能随机模型调整必须遵循不确定性准则(uncertainty)。多源PNT信息具有完全不同的不确定性，即使相同类型的PNT观测信息或者相同类型载体运动信息，在不同的环境下，相应的不确定度也可能不同。要真正实现PNT信息随机模型的智能化调整，需要实时确定各种环境下各类观测信息的不确定度，并且基于观测信息的不确定性确定观测的合理随机模型。通常采用的方差分量估计确定各类随机量的方差或者权重^[13]属于随机模型智能化调整的方法之一；文献[32]采用遗传算法自适应调整随机量的方差或权重；对于个别异常PNT感知信息，采用抗差估计和相应的等价权法^[32]，智能调整异常观测随机模型，也可以归属于智能随机模型调整。

特别强调，同时存在显著的函数模型误差和随机模型误差，则需要同时优化函数模型和随机模型，这类混合智能模型优化十分困难，值得深入研究。

(4) PNT信息的智能融合必须遵循精确性准则(accuracy)。在智能PNT环境感知的基础上，根据不同PNT信息的智能函数模型和智能随机模型，最优化地融合各类PNT观测信息，确定用户最终PNT参数，实现用户智能PNT应用，这属于智能PNT融合范畴。正如前面所述，智能函数模型强调的是系统误差拟合，智能随机模型强调的是观测随机误差特性的拟合，两者均反映在“精确性”概念里，于是，PNT信息智能融合是基于智能函数模型(可靠的函数模型)和智能随机模型(根据不确定性调整的随机模型)体现信息融合的智能。

笔者早期建立的自适应Kalman滤波^[15-16]理论，将动力学模型信息与实时PNT感知信息实施自适应融合，即根据动力学模型信息与观测模型信息的偏差，确定动力学模型信息和观测信息在PNT融合结果中的贡献，这是简单的智能融合；之后建立的多源导航传感器自适应融合模型^[33]也属于PNT信息的智能数据融合。当然，智能PNT数据融合存在复杂的环境适应性判断，需要实时感知各类PNT观测信息的不确定性和观测模型的可靠性。

(5) PNT服务信息的智能推送必须遵循高效性准则(efficiency)，对高动态、高安全用户还必须遵循连续性(continuity)和完好性(integrity)准则。个性化PNT服务是智能PNT服务的核心，而用户需求感知、需求识别与需求挖掘，是实施PNT精准服务的重要前提。最终目的是，确保最合适的PNT信息推送给最合适的PNT用户，最可靠的PNT融合模型生成最可靠的PNT信息。

我们强调的精准服务是指PNT服务的高效率(efficiency)和高精度(accuracy)，以及高安全用户的完好性(integrity)和高连续性(continuity)。于是，需要将与综合PNT服务平台上的用户日常PNT使用场景、环境和使用习惯进行分析聚类，基于聚类的PNT用户需求，再实施适应性服务和特色服务。用户PNT使用习惯和使用需求挖掘属于PNT用户大数据挖掘技术，可以利用深度学习方法，从用户的定位导航记录中，理解用户环境、理解用户需求。基于深度学习的PNT智能推送或智能“推荐”是PNT智能服务的重要手段，也是重要研究方向。但是必须说明，智能PNT服务不能穷尽所有非合作用户的动态需求。由于在动态变化过程中，用户需求感知取决于用户传感器的自感知，或者用户与综合PNT服务平台的信息交互，即使可以利用深度学习方法挖掘用户需求，也只能学习那些与“综合PNT服务平台”有信息交互的用户需求，而非合作用户或者与“综合PNT服务平台”没有任何联系的用户的智能服务，只能靠自身传感器的智能感知和智能决策。当“综合PNT服务平台”感知用户需求，并能实施用户需求的智能判断，则可以实现对用户PNT服务的智能推送。显然，智能PNT服务的核心是为合作用户提供或推荐多手段集成的最实用的、最精确的、最可靠的PNT信息。

上述智能PNT服务流程及遵循的准则如图 2所示。

3 结束语

智能PNT的核心是智能PNT服务和应用。只有将PNT专家的“知”与“识”规则化，生成PNT应用的“智”，即专家知识库，计算机才能识别和利用专家知识；在专家知识库的基础上，还需进一步生成PNT知识图谱，使专家知识转化成计算机可识别的语言，为智能PNT的“能”提供基础。

智能PNT服务的前提是大量冗余PNT信息，在冗余PNT信息的支撑下，才能识别用户PNT信息可用性，于是，综合PNT体系将是未来智能PNT的重要基础；此外，智能PNT服务需要个性化和特色化服务，于是，用户的PNT需求实时感知和环境的动态感知，成为智能PNT智能服务的重要输入；在PNT信息可用性基础上，需要实现PNT观测模型的可靠性和不确定性识别，为观测模型的智能优化和随机模型的智能调整奠定基础；基于用户的PNT智能观测模型和智能随机模型，即可实现用户PNT信息的智能融合，或弹性化融合。在此基础上，实现PNT服务信息的智能推送或智能推荐，以确保用户PNT应用的精确性、连续性、完好性和高效性。

PNT智能服务的准则可以归纳为：PNT信息集成的可用准则，函数模型智能优化的可靠性准则，随机模型智能优化的不确定性准则，信息智能融合的精确性准则，大众用户PNT信息智能应用的高效性准则，以及高安全用户PNT应用的高连续性和完好性准则。

总体来说，PNT智能服务是感知、经验、理论、模型、技术、方法、效能的综合，智能PNT体系及智能PNT应用的研究才刚刚起步，需要研究的内容十分丰富。