摘要：定位導(dǎo)航定時(PNT)發(fā)展的重要方向是智能PNT服務(wù)。智能PNT服務(wù)必須首先感知用戶PNT服務(wù)需求, 以及用戶所處的相關(guān)環(huán)境, 進而實現(xiàn)多源PNT信息智能集成、觀測模型智能優(yōu)化及多源PNT信息智能融合, 最終實現(xiàn)PNT信息的智能推送。本文從PNT智能感知、智能模型、智能數(shù)據(jù)融合到智能服務(wù)各個環(huán)節(jié)論述“智能PNT”的關(guān)鍵技術(shù), 并分析其內(nèi)涵; 提出PNT信息智能集成的“可用性準(zhǔn)則”, PNT觀測函數(shù)模型智能優(yōu)化的“可靠性準(zhǔn)則”, PNT多源觀測隨機模型優(yōu)化依據(jù)的“不確定性準(zhǔn)則”, 多源PNT信息融合的“精確性準(zhǔn)則”, PNT服務(wù)的“高效性準(zhǔn)則”及高動態(tài)用戶的“連續(xù)性準(zhǔn)則”。分析認(rèn)為, 綜合PNT是彈性PNT的基礎(chǔ), 彈性PNT是智能PNT的基礎(chǔ), 智能PNT是PNT服務(wù)的重點發(fā)展方向。

關(guān)鍵詞 ：定位；導(dǎo)航定時；智能感知；智能模型；智能融合；智能服務(wù)

閱讀全文：http://xb.sinomaps.com/article/2021/1001-1595/2021-8-1006.htm

引言

微信號：MeetyXiao
添加微信好友, 獲取更多信息
復(fù)制微信號

定位導(dǎo)航定時(PNT)服務(wù)是高質(zhì)量生活的基本保障要素之一，甚至是核心要素之一。陌生環(huán)境的旅行、購物、約會、尋醫(yī)、就餐等，首先需要位置(定位)，需要路徑(導(dǎo)航)，也需要時間(定時)；現(xiàn)代城市的高效率運行與管理同樣需要PNT信息的可靠支持，城市建設(shè)、土地確權(quán)、交通管理、路網(wǎng)管控、消防安全、地下管網(wǎng)等，都需要精確的PNT保障，否則城市運行與管理會出現(xiàn)混亂；國家基礎(chǔ)設(shè)施更需要自主可控的PNT支持，否則，金融系統(tǒng)會出現(xiàn)混亂，電力系統(tǒng)可能出現(xiàn)故障，高鐵系統(tǒng)、航空系統(tǒng)、公路交通系統(tǒng)等的運行效率和安全指數(shù)將得不到保障；國防安全更需要自主、可靠和安全的PNT保障，否則，國家安全和國防安全將受制于人。

國家綜合PNT體系[1]為用戶的PNT信息選擇提供基礎(chǔ)，彈性PNT體系[2]為綜合PNT信息的彈性化應(yīng)用提供理論與算法，智能PNT信息融合和應(yīng)用是彈性PNT的具體體現(xiàn)，也是安全PNT體系及應(yīng)用的重要基礎(chǔ)。智能PNT，將人工智能應(yīng)用于PNT服務(wù)領(lǐng)域，將是當(dāng)前和今后一段時間PNT理論研究與應(yīng)用研究的重點領(lǐng)域和發(fā)展方向，是實現(xiàn)彈性PNT的重要途徑。

人工智能(artificial intelligence，簡稱AI)是計算機科學(xué)的一個分支。自從20世紀(jì)50年代人工智能理論被提出，已經(jīng)滲入到各行各業(yè)，擁有較為完整的理論框架和算法體系[3]。人工智能的核心是將專家智慧變成機器智能，實現(xiàn)機器代替人的行為和操作。主要分支領(lǐng)域包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)[3-4]。

近幾年，人工智能的發(fā)展，促進了測繪科學(xué)與技術(shù)的智能化進展。在互聯(lián)網(wǎng)人與人信息便捷交互的大背景下，滿足人與社會及人與環(huán)境多種需求的泛在測繪成為可能[5]。但是，要實現(xiàn)智能化測繪與服務(wù)需求，互聯(lián)網(wǎng)、物聯(lián)網(wǎng)必須向具有精準(zhǔn)時空位置感知能力的泛在網(wǎng)演進；在綜合對地觀測日臻完善的大背景下，各類地理空間信息將十分豐富，于是，未來實現(xiàn)用戶定位、導(dǎo)航、授時、影像及地理信息的實時智能服務(wù)不僅成為可能，而且會將成為趨勢[6]；特別是，在空天地集成化傳感網(wǎng)的支持下，實現(xiàn)城市的智能感知、智能決策，即所謂的智慧城市將是智能測繪發(fā)展的重點[7]。

在衛(wèi)星遙感領(lǐng)域，智能化遙感衛(wèi)星和智能化在軌衛(wèi)星遙感影像處理可能成為未來的發(fā)展趨勢[8]；隨著各種實時影像采集 *** 與手段的進步，如激光掃描、傾斜攝影等海量影像數(shù)據(jù)的出現(xiàn)，如何從海量數(shù)據(jù)中快速、精確獲取有效的三維地理信息成為測繪地理信息領(lǐng)域迫切需要解決的難題。于是點云數(shù)據(jù)的智能處理將成為重點研究方向之一[9]。

在PNT領(lǐng)域，人工智能也有著廣泛的應(yīng)用前景[10-11]。但是，迄今為止，PNT體系的智能往往側(cè)重PNT信息的智能建模，如附加系統(tǒng)誤差補償參數(shù)的觀測模型優(yōu)化[12]，附加周期誤差補償函數(shù)的水下聲吶定位觀測模型等；有的側(cè)重于觀測隨機模型的智能調(diào)整，如基于方差分量估計的隨機模型調(diào)整法[13-14]等；在動態(tài)導(dǎo)航方面，自適應(yīng)Kalman濾波也采用了智能調(diào)整動力學(xué)模型貢獻的 *** ，降低異常動力模型對動態(tài)導(dǎo)航的影響[15-16]。

PNT本身沒有智能，而應(yīng)用PNT或PNT服務(wù)需要智能。只要把PNT體系及其算法與“人工智能”相結(jié)合，實現(xiàn)PNT應(yīng)用場景的智能感知、智能識別、PNT信息的智能集成、智能建模和智能融合，即可實現(xiàn)智能PNT應(yīng)用。于是，可以把人工智能在PNT領(lǐng)域的應(yīng)用簡稱為智能PNT服務(wù)。

但是，無論是智能PNT體系，還是智能PNT服務(wù)或智能PNT應(yīng)用，都需要真正將計算機領(lǐng)域的人工智能與PNT服務(wù)相結(jié)合，解決PNT應(yīng)用與服務(wù)的智能化問題，例如，PNT應(yīng)用與服務(wù)的專家系統(tǒng)的構(gòu)建，PNT服務(wù)的知識圖譜建設(shè)，智能PNT服務(wù)的深度學(xué)習(xí) *** 等，都需要深入研究與探討。

智能PNT服務(wù)可定義為：將PNT專家的思想、知識和用戶的需求相結(jié)合，并實現(xiàn)算法優(yōu)化，建立適應(yīng)用戶需求的專家系統(tǒng)，再將PNT專家系統(tǒng)轉(zhuǎn)化到機器可識別的知識圖譜，最后實現(xiàn)PNT智能保障和智能服務(wù)的全過程。

智能PNT服務(wù)不追求個性化的PNT專家知識，而是融合大多數(shù)PNT體系專家的理論成果和應(yīng)用領(lǐng)域?qū)＜业慕?jīng)驗，形成共性化的知識，即所謂的專家“共識”，再以多學(xué)科專家的“共識”生成“專家知識庫”[17]，各類PNT計算模型、融合模型、融合 *** 等都屬于專家知識庫的內(nèi)容。當(dāng)PNT專家的“知”“識”轉(zhuǎn)化為“智”，即實現(xiàn)了PNT智能服務(wù)的之一步。

PNT專家系統(tǒng)生成的“智”要轉(zhuǎn)化成“能”還必須解決PNT感知與服務(wù)的邏輯推理問題，即將PNT專家系統(tǒng)轉(zhuǎn)化為“PNT腦”，使其具備感知、分析、識別、推理和決策的能力。如此，需要將PNT專家的知識轉(zhuǎn)化為“規(guī)則”，進而表示成計算機可理解的語言(即專家知識表示)，也就是用計算機符號表示PNT專家大腦中的知識，并通過符號之間的運算模擬PNT專家大腦的推理過程，實現(xiàn)PNT專家或工程師的知識以及PNT用戶需求的“可讀、可寫、可視、可分析、可推理”，即用邏輯支撐語義，生成知識圖譜(knowledge graph)。PNT知識圖譜與計算機 *** 的知識圖譜不同，PNT知識一般可以直接模型化或符號化。所以，PNT應(yīng)用的知識圖譜往往把專家的知識模型化，便于計算及識別。計算機 *** 的知識圖譜則是“知識”的可視化和知識映射的結(jié)構(gòu)化[4, 18]。沒有PNT知識圖譜生成能力，則不可能實現(xiàn)專家知識與智能應(yīng)用的轉(zhuǎn)換，專家知識可能永遠停留在書本上和論文里。只有將PNT專家的知識邏輯化、模型化，計算機才能模仿人腦描述知識、分析規(guī)律、挖掘知識間的聯(lián)系，真正把專家的“知”轉(zhuǎn)換為“識”，并由“共識”提煉成“規(guī)則”，才能為PNT智能應(yīng)用提供真正的“能”。

PNT的專家知識和知識圖譜要轉(zhuǎn)化成PNT服務(wù)智能，還必須實時感知PNT用戶的實際需求和實際PNT應(yīng)用環(huán)境，于是各類PNT信息的“可用性感知”和PNT信息的“可靠性判斷”也是智能PNT應(yīng)用的先決條件。這種感知PNT的應(yīng)用環(huán)境和判斷PNT信息的可用性、可靠性和精確性等屬于機器學(xué)習(xí)范疇。機器學(xué)習(xí)是根據(jù)專家知識和知識圖譜實現(xiàn)PNT智能的重要環(huán)節(jié)。理解用戶需求是一種“學(xué)習(xí)”，判斷PNT信息的可用性、可靠性和連續(xù)性等也是“學(xué)習(xí)”。實時或準(zhǔn)實時“學(xué)習(xí)”是了解PNT環(huán)境、獲取新的知識或技能的重要途徑，也是重新優(yōu)化已有的PNT模型和知識結(jié)構(gòu)的重要內(nèi)容。

基于實時學(xué)習(xí)才能不斷改善PNT各類模型，進而改善PNT信息融合性能。在動態(tài)PNT數(shù)據(jù)處理和智能應(yīng)用中，監(jiān)督學(xué)習(xí)(supervised learning model)、半監(jiān)督學(xué)習(xí)(semi-supervised learning)、強監(jiān)督學(xué)習(xí)(reinforcement learning model)和無監(jiān)督學(xué)習(xí)(unsupervised learning)都有特定的使用場景。

監(jiān)督學(xué)習(xí)通過對有標(biāo)簽(參考模型或參考標(biāo)簽)的數(shù)據(jù)進行訓(xùn)練，以某種誤差最小準(zhǔn)則，構(gòu)建模型誤差與參考模型誤差之間的函數(shù)關(guān)系，從而在更廣泛的應(yīng)用中對模型誤差進行修正，實現(xiàn)所謂的機器智能。如神經(jīng) *** 學(xué)習(xí)[19]就屬于監(jiān)督學(xué)習(xí)法，已有不少學(xué)者利用神經(jīng) *** 學(xué)習(xí)進行動力學(xué)模型改進研究[20-22]。

半監(jiān)督學(xué)習(xí)法與監(jiān)督學(xué)習(xí)法的區(qū)別在于，參考模型(標(biāo)簽)不足以作為模型優(yōu)化的參考，特征較少，一般是綜合利用具有部分參考標(biāo)簽的有限樣本進行學(xué)習(xí)，獲得標(biāo)簽數(shù)據(jù)和特征參數(shù)之間較為精確的函數(shù)關(guān)系。半監(jiān)督學(xué)習(xí)法已經(jīng)在室內(nèi)定位方面開展過嘗試[23]。

強監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)不同，盡管也是利用未標(biāo)簽的數(shù)據(jù)進行學(xué)習(xí)，但是不需要事先對數(shù)據(jù)進行標(biāo)記，而是以馬爾可夫決策過程進行學(xué)習(xí)和訓(xùn)練，通過不斷的“試錯”進行積累或通過誤差反饋信息進行學(xué)習(xí)，最終得到全局更優(yōu)解。導(dǎo)航定位領(lǐng)域，已經(jīng)有學(xué)者將監(jiān)督學(xué)習(xí)應(yīng)用在GNSS多路徑識別中，結(jié)果顯示通過足夠的訓(xùn)練數(shù)據(jù)，可在靜態(tài)觀測中有效識別多徑信息[24-25]。在組合導(dǎo)航系統(tǒng)中，利用誤差信息進行動力學(xué)模型協(xié)方差矩陣自適應(yīng)調(diào)整也可以使用強監(jiān)督學(xué)習(xí)法，但是過程過于復(fù)雜，而且大多數(shù)情形下，基于強監(jiān)督學(xué)習(xí)的自適應(yīng)濾波并不比不確定度簡單統(tǒng)計的自適應(yīng)卡爾曼濾波效果好[15-16]。

無監(jiān)督學(xué)習(xí)法無須足夠的先驗知識，或者參考信息，一般利用訓(xùn)練樣本解決類別未知(沒有被標(biāo)記)的模式識別問題，稱之為無監(jiān)督學(xué)習(xí)。無監(jiān)督學(xué)習(xí)的典型例子是聚類學(xué)習(xí)[27]，聚類學(xué)習(xí)的目的是將相似的內(nèi)容聚在一起，計算相似度；此外，還有分割聚類算法如k-means算法、k-medoids算法和k近鄰學(xué)習(xí)等[27]。無監(jiān)督學(xué)習(xí)可以用于導(dǎo)航衛(wèi)星信號的非視線傳輸(NLOS)的檢測問題[28]。

所有上述智能學(xué)習(xí)都有前提，即觀測類型和數(shù)量必須具備幾何冗余或物理原理冗余，于是綜合PNT[1]是智能PNT的基礎(chǔ)，否則不可能實現(xiàn)PNT信息可用性感知和可靠性判斷，也就不能實現(xiàn)PNT信息處理的智能。首先，在PNT信息多源、物理原理多源的條件下，用戶才能根據(jù)實際PNT應(yīng)用環(huán)境判斷各類PNT信息的可用性，在此基礎(chǔ)上實現(xiàn)“可用PNT信息”的彈性集成；在彈性PNT原理[2]的支持下，專家系統(tǒng)才能根據(jù)環(huán)境聚類學(xué)習(xí)、模型誤差不確定度學(xué)習(xí)，智能調(diào)整各類PNT函數(shù)模型和隨機模型；在優(yōu)化的函數(shù)模型和隨機模型支持下，才能實現(xiàn)PNT信息智能融合以及PNT智能和精準(zhǔn)服務(wù)。

如果沒有冗余PNT信息，即使有專家知識，也不能生成智能，也談不上用戶PNT服務(wù)的智能決策和智能服務(wù)。因為，要將PNT科學(xué)家的“知”“識”“智”轉(zhuǎn)換成PNT用戶的“能”，需要足夠的感知信息、冗余信息，為各類智能學(xué)習(xí)提供基礎(chǔ)；如果還有標(biāo)簽信息(及外部參考信息)，則更能支持機器學(xué)習(xí)(監(jiān)督學(xué)習(xí))，實現(xiàn)PNT應(yīng)用的“智”與“能”。

圖1給出了智能PNT信息生成的基本框架

PNT智能服務(wù)的核心是：用最適合的PNT服務(wù)模式服務(wù)于最適合的用戶。這里涉及若干關(guān)鍵環(huán)節(jié)，每個環(huán)節(jié)都應(yīng)該遵循特定的準(zhǔn)則。

(1) 用戶需求的智能感知與集成可用性準(zhǔn)則(availability)。各類用戶所處的環(huán)境千差萬別，有靜態(tài)用戶，有動態(tài)用戶，有地下、水下和隧道活動的用戶，還有被各類電磁環(huán)境干擾的用戶。要實現(xiàn)PNT智能服務(wù)，首先要感知用戶PNT信息的可用性。如水下、地下和室內(nèi)用戶，基于無線電原理(包括GNSS)提供的PNT信息一般不可用；在強磁干擾環(huán)境下，磁強計提供的導(dǎo)航信息一般不可用；無地面通信基站的環(huán)境下，通信信號提供的PNT信息一般不可用等。于是，多源PNT協(xié)同感知技術(shù)及其PNT信息可用性感知是智能PNT服務(wù)與應(yīng)用的前提條件，也是關(guān)鍵技術(shù)之一。在用戶需求感知和PNT信息可用性判斷的基礎(chǔ)上，各類PNT信息集成與融合才有意義，進而才有可能生成用戶最可靠的PNT服務(wù)信息。于是，PNT信息的智能感知和應(yīng)用環(huán)境的智能感知是智能PNT服務(wù)的研究方向之一。

(2) PNT信息的智能函數(shù)模型優(yōu)化必須遵循可靠性準(zhǔn)則(reliability)。函數(shù)模型智能化的基礎(chǔ)是模型的“可靠性”。模型的可靠性側(cè)重反映模型的系統(tǒng)誤差，而不是模型的隨機誤差。因為隨機誤差一般不能通過函數(shù)模型進行補償。要實現(xiàn)函數(shù)模型實時智能優(yōu)化，則必須具備模型系統(tǒng)誤差識別能力，模型誤差變化規(guī)律學(xué)習(xí)能力，否則函數(shù)模型的智能優(yōu)化將失去基礎(chǔ)。

不同環(huán)境下，即使同一類PNT感知信息，受各類環(huán)境的影響，觀測誤差特性也會存在差別，于是，相應(yīng)的觀測模型所包含的誤差參數(shù)的特性和變化規(guī)律也應(yīng)該有所差別。通常認(rèn)為，“智能函數(shù)模型”一般是基于機器學(xué)習(xí)擬合模型誤差規(guī)律，進而優(yōu)化觀測模型[11]，其中神經(jīng) *** 學(xué)習(xí)法[19-22, 29]是機器學(xué)習(xí)使用最為廣泛的智能學(xué)習(xí) *** 之一。其實，有時很簡單學(xué)習(xí)法也能起到函數(shù)模型智能優(yōu)化的效果。例如開窗擬合法可以擬合模型系統(tǒng)誤差趨勢(類似于簡單回歸分析建模)，并補償?shù)接^測模型中，用于改進函數(shù)模型[12]，屬于函數(shù)模型智能優(yōu)化的一種；如果在函數(shù)模型中附加待定誤差補償參數(shù)項，如周期函數(shù)、指數(shù)函數(shù)、多項式等，使函數(shù)模型更適應(yīng)實際觀測或?qū)嶋H運動學(xué)特征，也屬于函數(shù)模型智能化的 *** 之一；所謂的彈性函數(shù)模型[2]實質(zhì)上也是函數(shù)模型智能化策略之一。作為一個典型的海洋PNT智能建模的例子，文獻[30]針對不同海區(qū)的不同聲速變化和聲線彎曲，構(gòu)建了具有周期誤差函數(shù)項的觀測模型，這類模型的周期和振幅是根據(jù)不同海洋環(huán)境的變化而變化的，于是這類聲吶觀測模型不僅顯示了彈性化，也隱含了智能化。常用的函數(shù)模型優(yōu)化大多數(shù)不是監(jiān)督學(xué)習(xí)法，而是半監(jiān)督學(xué)習(xí)(即依據(jù)部分高精度參考信息實施模型誤差識別與智能優(yōu)化)或自監(jiān)督學(xué)習(xí)法(即根據(jù)模型參數(shù)估計后的觀測殘差，沒有任何外部參考信息的幫助的條件下，重新擬合模型系統(tǒng)誤差，并進行模型優(yōu)化)。

(3) PNT信息的智能隨機模型調(diào)整必須遵循不確定性準(zhǔn)則(uncertainty)。多源PNT信息具有完全不同的不確定性，即使相同類型的PNT觀測信息或者相同類型載體運動信息，在不同的環(huán)境下，相應(yīng)的不確定度也可能不同。要真正實現(xiàn)PNT信息隨機模型的智能化調(diào)整，需要實時確定各種環(huán)境下各類觀測信息的不確定度，并且基于觀測信息的不確定性確定觀測的合理隨機模型。通常采用的方差分量估計確定各類隨機量的方差或者權(quán)重[13]屬于隨機模型智能化調(diào)整的 *** 之一；文獻[32]采用遺傳算法自適應(yīng)調(diào)整隨機量的方差或權(quán)重；對于個別異常PNT感知信息，采用抗差估計和相應(yīng)的等價權(quán)法[32]，智能調(diào)整異常觀測隨機模型，也可以歸屬于智能隨機模型調(diào)整。

特別強調(diào)，同時存在顯著的函數(shù)模型誤差和隨機模型誤差，則需要同時優(yōu)化函數(shù)模型和隨機模型，這類混合智能模型優(yōu)化十分困難，值得深入研究。

(4) PNT信息的智能融合必須遵循精確性準(zhǔn)則(accuracy)。在智能PNT環(huán)境感知的基礎(chǔ)上，根據(jù)不同PNT信息的智能函數(shù)模型和智能隨機模型，更優(yōu)化地融合各類PNT觀測信息，確定用戶最終PNT參數(shù)，實現(xiàn)用戶智能PNT應(yīng)用，這屬于智能PNT融合范疇。正如前面所述，智能函數(shù)模型強調(diào)的是系統(tǒng)誤差擬合，智能隨機模型強調(diào)的是觀測隨機誤差特性的擬合，兩者均反映在“精確性”概念里，于是，PNT信息智能融合是基于智能函數(shù)模型(可靠的函數(shù)模型)和智能隨機模型(根據(jù)不確定性調(diào)整的隨機模型)體現(xiàn)信息融合的智能。

筆者早期建立的自適應(yīng)Kalman濾波[15-16]理論，將動力學(xué)模型信息與實時PNT感知信息實施自適應(yīng)融合，即根據(jù)動力學(xué)模型信息與觀測模型信息的偏差，確定動力學(xué)模型信息和觀測信息在PNT融合結(jié)果中的貢獻，這是簡單的智能融合；之后建立的多源導(dǎo)航傳感器自適應(yīng)融合模型[33]也屬于PNT信息的智能數(shù)據(jù)融合。當(dāng)然，智能PNT數(shù)據(jù)融合存在復(fù)雜的環(huán)境適應(yīng)性判斷，需要實時感知各類PNT觀測信息的不確定性和觀測模型的可靠性。

(5) PNT服務(wù)信息的智能推送必須遵循高效性準(zhǔn)則(efficiency)，對高動態(tài)、高安全用戶還必須遵循連續(xù)性(continuity)和完好性(integrity)準(zhǔn)則。個性化PNT服務(wù)是智能PNT服務(wù)的核心，而用戶需求感知、需求識別與需求挖掘，是實施PNT精準(zhǔn)服務(wù)的重要前提。最終目的是，確保最合適的PNT信息推送給最合適的PNT用戶，最可靠的PNT融合模型生成最可靠的PNT信息。

我們強調(diào)的精準(zhǔn)服務(wù)是指PNT服務(wù)的高效率(efficiency)和高精度(accuracy)，以及高安全用戶的完好性(integrity)和高連續(xù)性(continuity)。于是，需要將與綜合PNT服務(wù)平臺上的用戶日常PNT使用場景、環(huán)境和使用習(xí)慣進行分析聚類，基于聚類的PNT用戶需求，再實施適應(yīng) *** 和特色服務(wù)。用戶PNT使用習(xí)慣和使用需求挖掘?qū)儆赑NT用戶大數(shù)據(jù)挖掘技術(shù)，可以利用深度學(xué)習(xí) *** ，從用戶的定位導(dǎo)航記錄中，理解用戶環(huán)境、理解用戶需求。基于深度學(xué)習(xí)的PNT智能推送或智能“推薦”是PNT智能服務(wù)的重要手段，也是重要研究方向。但是必須說明，智能PNT服務(wù)不能窮盡所有非合作用戶的動態(tài)需求。由于在動態(tài)變化過程中，用戶需求感知取決于用戶傳感器的自感知，或者用戶與綜合PNT服務(wù)平臺的信息交互，即使可以利用深度學(xué)習(xí) *** 挖掘用戶需求，也只能學(xué)習(xí)那些與“綜合PNT服務(wù)平臺”有信息交互的用戶需求，而非合作用戶或者與“綜合PNT服務(wù)平臺”沒有任何聯(lián)系的用戶的智能服務(wù)，只能靠自身傳感器的智能感知和智能決策。當(dāng)“綜合PNT服務(wù)平臺”感知用戶需求，并能實施用戶需求的智能判斷，則可以實現(xiàn)對用戶PNT服務(wù)的智能推送。顯然，智能PNT服務(wù)的核心是為合作用戶提供或推薦多手段集成的最實用的、最精確的、最可靠的PNT信息。

上述智能PNT服務(wù)流程及遵循的準(zhǔn)則如圖 2所示。

智能PNT的核心是智能PNT服務(wù)和應(yīng)用。只有將PNT專家的“知”與“識”規(guī)則化，生成PNT應(yīng)用的“智”，即專家知識庫，計算機才能識別和利用專家知識；在專家知識庫的基礎(chǔ)上，還需進一步生成PNT知識圖譜，使專家知識轉(zhuǎn)化成計算機可識別的語言，為智能PNT的“能”提供基礎(chǔ)。

智能PNT服務(wù)的前提是大量冗余PNT信息，在冗余PNT信息的支撐下，才能識別用戶PNT信息可用性，于是，綜合PNT體系將是未來智能PNT的重要基礎(chǔ)；此外，智能PNT服務(wù)需要個性化和特色化服務(wù)，于是，用戶的PNT需求實時感知和環(huán)境的動態(tài)感知，成為智能PNT智能服務(wù)的重要輸入；在PNT信息可用性基礎(chǔ)上，需要實現(xiàn)PNT觀測模型的可靠性和不確定性識別，為觀測模型的智能優(yōu)化和隨機模型的智能調(diào)整奠定基礎(chǔ)；基于用戶的PNT智能觀測模型和智能隨機模型，即可實現(xiàn)用戶PNT信息的智能融合，或彈性化融合。在此基礎(chǔ)上，實現(xiàn)PNT服務(wù)信息的智能推送或智能推薦，以確保用戶PNT應(yīng)用的精確性、連續(xù)性、完好性和高效性。

PNT智能服務(wù)的準(zhǔn)則可以歸納為：PNT信息集成的可用準(zhǔn)則，函數(shù)模型智能優(yōu)化的可靠性準(zhǔn)則，隨機模型智能優(yōu)化的不確定性準(zhǔn)則，信息智能融合的精確性準(zhǔn)則，大眾用戶PNT信息智能應(yīng)用的高效性準(zhǔn)則，以及高安全用戶PNT應(yīng)用的高連續(xù)性和完好性準(zhǔn)則。

總體來說，PNT智能服務(wù)是感知、經(jīng)驗、理論、模型、技術(shù)、 *** 、效能的綜合，智能PNT體系及智能PNT應(yīng)用的研究才剛剛起步，需要研究的內(nèi)容十分豐富。