La integración estrechamente acoplada de GNSS/INS es una arquitectura ampliamente adoptada para UAVs y vehículos terrestres. En este estudio, un marco de fusión basado en un filtro de Kalman integra datos inerciales con observables satelitales, incluyendo pseudorango y tasa de rango derivada del Doppler, para mantener una navegación precisa cuando la calidad del GNSS se degrada. Un cuello de botella clave es que muchas canalizaciones dependen de modelos de covarianza de ruido de medición fijos o excesivamente simplificados, que no pueden rastrear las estadísticas no estacionarias de las observaciones reales. Para abordar este problema, desarrollamos un estimador de covarianza adaptativo basado en un Transformer mejorado con tres módulos: una capa de Atención Lineal, un Autoencoder Denoising Escaso Residual (R-SDAE) y un bloque de atención de canal residual ligero (LRCAM). El estimador predice la covarianza del ruido de medición en línea. R-SDAE destila características escasas y resistentes a outliers de efemérides ruidosas; LRCAM repondera canales informativos a través de un gating residual; y la Atención Lineal preserva dependencias espaciotemporales de largo alcance mientras reduce el costo de atención de O(N2) a O(N). Un factor predictivo modula aún más la covarianza para mejorar la eficiencia y adaptabilidad. Los resultados experimentales en datos de pruebas en carretera reales muestran que el método propuesto logra una precisión de posicionamiento submétrica en condiciones de cielo abierto y preserva una precisión a nivel de metro con una robustez mejorada en escenarios urbanos degradados por GNSS, superando las líneas base de filtrado adaptativo comparadas y los estimadores de covarianza neuronales, demostrando así una precisión y estabilidad de posicionamiento superiores.