联发科发布2025年10月安全公告，指出多款Wi-Fi和GNSS芯片组存在高危和中危漏洞，主要包括缓冲区和堆溢出，可能导致设备崩溃或代码执行。建议用户及时更新固件以降低风险。

本研究探讨了在分布式环境中监测和分类GNSS干扰的挑战，提出使用变分自编码器（VAE）进行特征解耦，以实现数据压缩和增强。结果表明，该方法的分类准确率可达到99.92%。

本研究针对传统视觉和激光测距法在高速状态下无法准确定位及漂移累积的问题，提出了一种新的激光基础定位框架。该框架通过整合多传感器信息，利用离线点云地图作为先验知识，并引入新颖的配准方法，显著提高了定位的准确性和鲁棒性，测试结果表明其在多数据集上优于其他定位算法。

本研究提出了一种创新的无人机系统，旨在GNSS受限的海洋环境中实现自主检测和干预。该系统集成了多种无人机和无人水面车辆，能够在复杂条件下自动导航并执行任务，展现出在海上作业中的重要应用潜力。

本研究针对复杂城市环境中在GNSS信号缺失情况下的行人导航需求，提出了一种低成本的视觉惯性定位解决方案。该方案结合了轻量级的多尺度组卷积视觉位置识别神经网络和基于卡尔曼滤波的视觉/惯性融合方法，显著提高了定位的准确性和可靠性。实验结果表明，与传统方法相比，所提方案在保持定位稳定性的同时，显著降低了模型参数，并实现了更高的召回率和定位精度。

本文探讨了机器学习在全球导航卫星系统（GNSS）中的应用，重点分析了其在信号分析、异常检测和精度提升方面的进展，涵盖监督学习、无监督学习和深度学习方法，并讨论了相关优势与挑战。

本研究利用深度强化学习提高地磁导航在无GNSS环境中的效率。研究者设计的智能体能自主学习并高效导航长距离路径，实验结果显示该方法优于现有技术，应用潜力大。

GNSS芯片在无人机、自动驾驶和智能设备中至关重要，通过连接多个卫星系统实现实时定位。尽管在消费电子中不常见，但在自动驾驶、测绘和农业等领域应用广泛。由于高精度和高成本，它们在不需要精确定位的设计中较少使用。

本文介绍了一种基于特征的地理定位方法，通过航空影像和车辆传感器检测到的特征关联，使用LiDAR传感器执行的检测信息量化来调整权重，并包含基于GNSS的先验估计。该方法在模糊环境中表现优于其他方法，能够减少异常值和偏差。

该论文提出了一种使用基于深度神经网络的位置改变检测器来区分伪造行为和移动的方案，并通过社区检测方法将帧序列分割为子序列，以检测不同位置的同时传输。该方案易于部署，只需在少量位置收集一小部分数据，并在真实数据上进行了评估。

该研究提出了一种适用于无人机在GNSS受限环境中的运动规划方法，通过优化成本函数平衡无人机总能耗和激光雷达传感器的感知质量。仿真实验证实了该规划器的有效性。

本研究利用GNSS观测数据，提出了一种基于深度学习的方法来检测非直射路径接收和预测GNSS伪距误差，并构建了类似Transformer的注意机制以提高模型性能和泛化能力。实验结果显示，该方法在车辆定位中具有更高的准确性和召回率，能够避免轨迹偏离问题。