Arquitectura de navegación sin GNSS para sistemas aéreos no tripulados
De la navegación inercial tradicional al rendimiento sin deriva acumulada
Resumen
Este trabajo presenta una arquitectura de navegación para vehículos aéreos no tripulados diseñada para garantizar un funcionamiento fiable en entornos sin señal GNSS. El sistema propuesto integra dos módulos complementarios para lograr una navegación sin deriva en presencia de interferencias intencionadas (jamming) y suplantación (spoofing). El primer módulo, el AD-AHRS, fusiona mediciones inerciales, magnetométricas y de datos aéreos para estimar la actitud y predecir los estados de posición y velocidad. También incorpora supervisión de integridad para detectar la degradación de la señal GNSS y acepta correcciones del módulo de navegación visual, compuesto por cuatro submódulos: odometría visual, comparación de plantillas o template matching, navegación referenciada al terreno y correlación de mapas. La odometría visual estima la velocidad mediante el seguimiento del desplazamiento de puntos característicos entre fotogramas, mientras que el template matching permite actualizar la posición en zonas cartografiadas. Al operar sobre regiones no sobrevoladas previamente, la navegación referenciada al terreno correlaciona modelos digitales de elevación con perfiles altimétricos obtenidos mediante un radioaltímetro para mitigar la deriva a baja altitud; a mayor altitud, la correlación de mapas compara imágenes de a bordo con mapas satelitales para obtener una posición absoluta. La combinación de estos métodos produce una solución de navegación robusta frente a interrupciones de la señal GNSS y a la deriva acumulada. El artículo describe la arquitectura, presenta resultados de validación con conjuntos de datos y expone ensayos de vuelo realizados durante Jammertest 2025 bajo interferencias y suplantación intencionadas.
1 Introducción
Los sistemas globales de navegación por satélite (GNSS) han sido durante mucho tiempo fundamentales para la navegación aérea autónoma, pues proporcionan información precisa de posición, navegación y tiempo (PNT). Sin embargo, en entornos contestados o adversos, las señales GNSS siguen siendo vulnerables a interferencias intencionadas. El jamming consiste en transmitir ruido de alta potencia o señales estructuradas que saturan las señales legítimas de los satélites e impiden, de hecho, el servicio. El spoofing consiste en generar señales GNSS falsas que imitan a las auténticas, haciendo que el receptor calcule estimaciones erróneas con consecuencias potencialmente graves. El meaconing [1], en cambio, captura señales GNSS genuinas y las retransmite con retraso o modificaciones, desplazando así el tiempo o la posición percibidos sin crear señales totalmente sintéticas. Con la creciente disponibilidad de dispositivos de interferencia de bajo coste y radios definidas por software, estas amenazas han dejado de limitarse a demostraciones de laboratorio y se han convertido en riesgos reales para los sistemas operativos [2].
Ante estas amenazas, es esencial que los sistemas de control de vuelo no dependan exclusivamente de la señal GNSS, sino que integren diversos sensores de a bordo y técnicas de estimación para mantener la robustez y la disponibilidad en todas las condiciones de vuelo. La arquitectura propuesta sigue una estrategia de fusión por capas: partiendo de la navegación inercial clásica, mejorada con entradas de datos aéreos para elevar el rendimiento básico, el sistema mitiga la deriva mediante navegación referenciada al terreno y localización visual absoluta, comparando imágenes de a bordo con mapas satelitales. Este enfoque por capas permite que el UAV mantenga una navegación precisa en entornos sin señal GNSS.
El resto del artículo describe la arquitectura en detalle, comenzando por el módulo AD-AHRS, seguido del sistema de navegación visual y sus submódulos. A continuación, se presentan resultados preliminares obtenidos con navegación referenciada al terreno y correlación de mapas satelitales. Por último, se exponen y analizan los resultados de las campañas de vuelo realizadas durante Jammertest 2025.
2 Arquitectura del sistema de referencia de actitud y rumbo con datos aerodinámicos
El núcleo de la arquitectura obtiene una estimación de actitud a alta frecuencia mediante acelerómetros y giróscopos de tres ejes, así como magnetómetros triaxiales. Los bucles externos del sistema de navegación estiman la posición y la velocidad fusionando el sensor de presión barométrica, el sensor de presión dinámica y el sensor de temperatura exterior del aire. La fuente de corrección puede proceder del receptor GNSS o del sistema de navegación visual. El AD-AHRS supervisa continuamente las variables del receptor GNSS y las compara con el resto de observables para detectar interferencias. Cuando se detecta jamming o spoofing, entran en juego los datos del sistema de navegación visual (Visual Navigation System, VNS). La Figura 1 muestra el diagrama de bloques del funcionamiento de la arquitectura.

3 Arquitectura del sistema de navegación visual
El módulo VNS funciona como un componente independiente que se apoya principalmente en técnicas de visión para mitigar la deriva inherente a la navegación a estima. Cuenta con una arquitectura interna compleja y proporciona correcciones de posición y velocidad de baja frecuencia al módulo de estimación de estados del AD-AHRS, aumentando así la robustez global en situaciones sin señal GNSS. Cada submódulo está adaptado a condiciones de vuelo específicas y, en algunos casos, requiere sensores adicionales. Al complementarse entre sí, estos submódulos garantizan que el sistema sea suficientemente robusto para ofrecer estimaciones de navegación fiables en una amplia gama de condiciones de vuelo.
3.1 Odometría visual y template matching
La odometría visual calcula el desplazamiento de la aeronave comparando puntos característicos entre dos fotogramas consecutivos de la cámara.Proporciona una fuente de corrección de velocidad, aunque acumula con el tiempo un pequeño error, de aproximadamente el 1 % de la distancia recorrida. Este submódulo está disponible siempre que haya suficiente luminosidad y que la velocidad y la altura sobre el terreno (AGL) de la aeronave permitan que la cámara tome dos imágenes con características comunes.
La correspondencia de plantillas almacena características significativas de una imagen junto con sus coordenadas asociadas. Requiere conocer la ubicación real donde se capturó la imagen de referencia y, para corregir por completo el error, la zona debe haberse sobrevolado previamente con señal GNSS disponible. El método utiliza detectores y descriptores de características para comparar las imágenes almacenadas con las adquiridas por la cámara de a bordo [3]. Después se emplean algoritmos como RANSAC o KD-Tree para identificar de forma eficiente la imagen de referencia que mejor corresponde a la vista actual e inferir las coordenadas asociadas. Puede reutilizarse un mapa de una zona ya inspeccionada si la altitud de vuelo es similar a aquella a la que se generó el mapa de referencia; en la práctica, el intervalo válido va desde la mitad hasta el doble de la altura sobre el terreno original.
3.2 Navegación referenciada al terreno y correlación de mapas satelitales
La navegación referenciada al terreno es una tecnología avanzada de geolocalización basada en comparar la morfología del terreno sobrevolado con mapas topográficos almacenados previamente. El objetivo es identificar similitudes y estimar con precisión la posición de la aeronave. A partir de las mediciones altimétricas de los sensores de a bordo se genera un perfil de elevación, que se correlaciona con un modelo digital de elevación (DEM) para determinar la posición más probable [4]. Así, el algoritmo supervisa en tiempo real la diferencia entre el perfil del DEM y la cota del terreno calculada a partir de la altitud estimada y la medición del altímetro. El área de búsqueda se determina mediante una combinación ponderada del coeficiente de correlación, el desfase entre ambas señales y su desviación estándar. Los máximos locales dentro del área de búsqueda se utilizan para estimar el error de posición proporcionado por el algoritmo [5], que después se convierte en desplazamiento cartesiano para obtener una estimación de posición en latitud y longitud. El algoritmo debe ejecutarse periódicamente para evitar que la distancia entre muestras consecutivas sea excesiva y poder calcular correctamente el nivel de confianza.
El rendimiento de esta técnica está fuertemente condicionado por varios factores. En primer lugar, depende de las características del terreno sobrevolado: las zonas llanas carecen de rasgos distintivos para una correlación fiable, mientras que un relieve muy irregular puede introducir errores de medición radar por reflexiones multitrayecto o discrepancias con el DEM. En segundo lugar, la estrategia de medición desempeña un papel crítico: una frecuencia de muestreo insuficiente o una separación excesiva entre muestras reduce la fidelidad de los perfiles de elevación , mientras que un muestreo más denso aumenta la carga computacional. Asimismo, la fiabilidad de los datos de altitud, tanto sobre nivel de tierra (AGL) como de mar (ASL), es esencial, ya que los errores debidos al ruido de los sensores, los retornos falsos o la meteorología adversa degradan directamente la precisión del algoritmo. Por último, la dinámica de la aeronave también afecta a la calidad de las mediciones: las turbulencias o maniobras agresivas pueden distorsionar el perfil topográfico y perjudicar la correlación. Esta técnica es idónea para misiones de vuelo a baja altitud. La técnica de correlación de mapas compara imágenes tomadas a bordo con una base de datos georreferenciada basada en mapas satelitales para calcular la posición de la aeronave. Emplea un modelo de deep learning que contiene principalmente un extractor de características, un módulo de correlación y un estimador iterativo de homografía [6]. El algoritmo debe procesar la imagen satelital para escalarla y hacerla corresponder con la imagen de la cámara de a bordo. Al volar a mayor altura, cada píxel representa una superficie terrestre mayor. Este ajuste se calcula en tiempo real y, conociendo la altura AGL, el ángulo del campo de visión (angle of view, AOV) y la resolución de la imagen satelital, es posible recortarla. La Figura 2 representa la relación matemática entre estos términos.

Fig. 2
Los principales retos se deben a las diferencias de iluminación, resolución y perspectiva entre las imágenes comparadas. También pueden haberse tomado en estaciones distintas o haber cambiado el paisaje. Para abarcar una gran variedad de situaciones, el modelo de aprendizaje profundo se preentrenó con el conjunto de datos Boson-nighttime [7], que contiene imágenes térmicas y diurnas. Sobrevolar lugares muy homogéneos, como océanos o desiertos, supone también un reto. Esta técnica resulta idónea para misiones a mayor altitud.
4 Resultados
4.1 Conjunto de datos de posprocesado
La Figura 3 muestra los resultados obtenidos con el algoritmo de navegación referenciada al terreno (TRN) durante una trayectoria larga.

Fig. 3 Error de navegación referenciada al terreno durante la distancia recorrida
La curva azul representa el error absoluto de posición (en metros) entre la posición real y la estimación obtenida usando únicamente odometría visual (VO); la curva rosa corresponde a la solución de navegación inercial del sistema (INS); y la curva naranja muestra el error absoluto de posición de la solución que fusiona VO y TRN. Se observa que el error se corrige prácticamente por completo cada vez que el algoritmo obtiene una nueva solución de posición. Para una trayectoria de 187 km con TRN activo, el sistema logró un error absoluto medio de 239 ± 16 m, equivalente al 0,1 % de la distancia recorrida.
La Figura 4 presenta resultados del algoritmo de correlación de mapas (Map Matching) sobre un conjunto de datos de vuelo real correspondiente a una trayectoria de 36 km. Permite comparar la mejora aportada por el algoritmo: navegar únicamente con INS implica un error del 4 % respecto a la distancia recorrida, y hacerlo con odometría visual, alrededor del 1 %. Con Map Matching, el error queda limitado a 31 ± 9 m, lo que representa un 0,08 % de la distancia recorrida.

Fig. 4 Error de Map Matching sobre la distancia recorrida
En la gráfica de coordenadas 2D de una trayectoria de vuelo real, la Figura 5 compara la referencia real con la solución proporcionada por cada algoritmo. La referencia real aparece en rojo; la línea azul discontinua contiene la solución basada solo en VO; la línea rosa discontinua representa la solución INS; las cruces azules marcan los puntos en los que los algoritmos TRN/Map Matching encuentran una nueva solución; y la línea naranja contiene la fusión de VO con cada algoritmo. Los resultados muestran que ambos algoritmos permiten volar en entornos sin señal GNSS a lo largo de trayectorias de varios kilómetros , con menos de 50 metros de error al final de la trayectoria.

Fig. 5 Trayectoria real versus los submódilo de TRN/Map Matching
4.2 Ensayos de vuelo sin señal GNSS
La arquitectura, incluidos el AD-AHRS y los algoritmos de odometría visual y correspondencia de plantillas, se evaluó en condiciones reales de jamming y spoofing durante Jammertest 2025. La solución de control de vuelo se instaló en un VTOL eléctrico de 10 kg capaz de volar entre 15 y 30 m/s. La primera capa de protección consiste en detectar oportunamente la pérdida o degradación del GNSS, evitando que el sistema de control de vuelo pase a utilizar una solución PNT GNSS falsa. El ensayo corresponde al número 2.5.22 del manual oficial de transmisiones [8]. Incluye señales GPS L1 C/A, L2C y L5, y Galileo E1, E5 y E6; antes de la transmisión de spoofing se aplican cinco minutos de jamming (L1, G1, BQI, L2, E5b y L5 con 2 W), que después continúa en bandas distintas de las suplantadas. La posición suplantada tiene coordenadas fijas.
La Figura 6 contiene una captura del software de control en tierra mientras el ataque está activo. Se observa la transmisión de un ataque estático, con la altitud fijada en 570 m y una velocidad casi nula. La posición GNSS falsa transmitida durante el ataque, la posición proporcionada por el VNS y la posición obtenida mediante fusión sensorial se representan con iconos distintos. La misión representa un ejemplo de operación ISR (Inteligencia, Vigilancia y Reconocimiento), en la que se sigue continuamente un plan de vuelo predefinido. Como puede observarse, el AD-AHRS activa el aviso de spoofing detectado y excluye la señal GNSS de su solución de navegación. Gracias al algoritmo de template matching, la aeronave pudo continuar volando sin desviarse de su trayectoria durante el resto del vuelo.

Fig. 6 Test de vuelo con spoofing en Jammertest 2025
5 Conclusión
Este artículo ha presentado una arquitectura de navegación robusta desarrollada por UAV Navigation-Grupo Oesía para operar en entornos con señal GNSS denegada, que integra un AD-AHRS con un sistema de navegación visual multimodal. La combinación de odometría visual, template matching, navegación referenciada al terreno y correlación de mapas satelitales permite mitigar la deriva y proporcionar estimaciones fiables de posición y velocidad en condiciones de jamming y spoofing. Los estudios de posprocesado de conjuntos de datos reales y las campañas de ensayos de vuelo, incluida Jammertest 2025, han demostrado la capacidad de la arquitectura para detectar y aislar degradaciones de la señal GNSS, manteniendo al mismo tiempo una navegación precisa a lo largo de distancias prolongadas. Los resultados muestran que la deriva puede acotarse eficazmente por debajo del 0,1 % de la distancia recorrida. El trabajo en curso se centra en continuar integrando los módulos TRN y Map Matching en el producto estándar y ampliar las campañas de validación a entornos más exigentes.

References
[1] Ali Broumandan, Ali Pirsiavash, Isabelle Tremblay, and Sandy Kennedy. Evaluation of NovAtel’s jamming and spoofing detection and mitigation capabilities during Jammertest2024. In Proceedings of the 2025 International Technical Meeting of The Institute of Navigation, pages 401–413, Long Beach, California, Jan. 2025. doi: 10.33012/2025.20012.
[2] Katarina Radoš, Marta Brkić, and Dinko Begušić. Recent advances on jamming and spoofing detection in GNSS. Sensors, 24(13), 2024. ISSN: 1424-8220. doi: 10.3390/s24134210.
[3] Christine Van Kirk, Alice Chen, Saad Biaz, and Richard Chapman. Dead reckoning and terrain image processing as basis for UAV home-oriented navigation under foreign GPS-denied environments. Journal of Computing Sciences in Colleges, 38:74–89, 2022.
[4] Taeyun Kim, Seongho Nam, Hyungsub Lee, and Juhyun Oh. Verification of vision-based terrain-referenced navigation using the iterative closest point algorithm through flight testing. Sensors, 25(18), 2025. ISSN: 1424- 8220. doi: 10.3390/s25185813.
[5] Juhyun Oh, Chang-Ky Sung, Jungshin Lee, Sang Woo Lee, Sang Jeong Lee, and Myeong-Jong Yu. Accurate measurement calculation method for interferometric radar altimeter-based terrain referenced navigation. Sensors, 19(7), 2019. ISSN: 1424-8220. doi: 10.3390/s19071688.
[6] Jiuhong Xiao, Ning Zhang, Daniel Tortei, and Giuseppe Loianno. STHN: Deep homography estimation for UAV thermal geo-localization with satellite imagery. IEEE Robotics and Automation Letters, 9(10):8754–8761, 2024. doi: 10.1109/LRA.2024.3448129.
[7] Jiuhong Xiao and Giuseppe Loianno. UASTHN: Uncertainty-Aware Deep Homography Estimation for UAV Satellite-Thermal Geo-localization, 2025. https://arxiv.org/abs/2502.01035.
[8] Jammertest Consortium. Jammertest 2025 Test Catalogue, 2025.
