平方根 Kalman 滤波：矩阵推导及 GNSS 参数估计应用

本文主线：标准 Kalman → 协方差平方根 → QR 时间更新 → QR 量测更新 → 数值优势 → GNSS 参数估计

---

1. 核心结论

平方根 Kalman 滤波的英文是：

Square-Root Kalman Filter，SRKF

它不是：

• 对状态向量开平方；
• 计算状态误差的均方根；
• 一种新的统计估计准则。

它是：

不直接递推误差协方差矩阵 $\mathbf{P}$，而是递推其矩阵平方根因子 $\mathbf{S}$。

本文统一采用下三角形式：

$$\boxed{\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}}$$

其中：

• $\mathbf{P}$：状态估计误差协方差矩阵；
• $\mathbf{S}$：$\mathbf{P}$ 的下三角平方根因子；
• $(\cdot {)}^{\mathrm{T}}$：矩阵转置。

标准 Kalman 与 SRKF 使用相同的状态模型、观测模型和统计目标。

标准Kalman
→ 直接更新协方差P

SRKF
→ 更新协方差因子S

在精确算术下，两者结果等价；在有限精度计算中，SRKF 通常更可靠。

---

2. “平方根”三个字怎样理解

标量 $p>0$ 的平方根满足：

$$p=(\sqrt{p}{)}^2$$

对正定协方差矩阵 $\mathbf{P}$，需要区分两个相关概念。

2.1 对称主平方根

对称主平方根记为：

$${\mathbf{P}}^{1/2}$$

它满足：

$${\mathbf{P}}^{1/2}{\mathbf{P}}^{1/2}=\mathbf{P}$$

并且 ${\mathbf{P}}^{1/2}$ 本身是对称正定矩阵。

2.2 协方差平方根因子

平方根 Kalman 滤波通常保存一个因子 $\mathbf{S}$：

$$\boxed{\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}}$$

$\mathbf{S}$ 常取 Cholesky 三角因子。它一般不对称，而且通常：

$${\mathbf{S}}^2\ne \mathbf{P}$$

因此，SRKF 中的“平方根”更准确地理解为：

能与自身转置相乘并恢复协方差的矩阵因子。

例如：

$$\mathbf{P}=\left[\begin{array}{cc}4& 2\\ 2& 5\end{array}\right]$$

其下三角 Cholesky 因子为：

$$\mathbf{S}=\left[\begin{array}{cc}2& 0\\ 1& 2\end{array}\right]$$

因为：

$$\begin{array}{rl}\mathbf{S}{\mathbf{S}}^{\mathrm{T}}& =\left[\begin{array}{cc}2& 0\\ 1& 2\end{array}\right]\left[\begin{array}{cc}2& 1\\ 0& 2\end{array}\right]\\ & =\left[\begin{array}{cc}4& 2\\ 2& 5\end{array}\right]\\ & =\mathbf{P}\end{array}$$

它不是对 $\mathbf{P}$ 的元素逐个开平方，也不等同于对称主平方根 ${\mathbf{P}}^{1/2}$。

---

3. 平方根因子是否唯一

满足：

$$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$$

的普通因子一般不唯一。

若 $\mathbf{U}$ 为正交矩阵：

$$\mathbf{U}{\mathbf{U}}^{\mathrm{T}}=\mathbf{I}$$

则：

$$\mathbf{P}=\left(\mathbf{SU}\right){\left(\mathbf{SU}\right)}^{\mathrm{T}}$$

也是同一个协方差的因子分解。

为了使算法和软件接口统一，工程中通常规定：

• 使用下三角 Cholesky 因子，或使用上三角因子；
• 三角因子的对角线取正值；
• 全部 QR 阵列和转置方向遵循同一约定。

对正定矩阵，正对角线的 Cholesky 三角因子唯一。

---

4. 协方差矩阵为什么可以分解

理论协方差矩阵满足：

$$\mathbf{P}={\mathbf{P}}^{\mathrm{T}}$$

以及：

$${\mathbf{a}}^{\mathrm{T}}\mathbf{Pa}\ge 0$$

其中：

• $\mathbf{a}$：任意向量；
• 第二式表示 $\mathbf{P}$ 为半正定矩阵。

若 $\mathbf{P}$ 正定，则可以进行普通 Cholesky 分解。

若 $\mathbf{P}$ 仅半正定或秩亏，普通无主元 Cholesky 可能失败或出现零对角线，需要根据问题采用：

• 矩形平方根；
• 主元 Cholesky；
• 秩揭示 QR；
• 特征值分解；
• 奇异值分解 SVD。

这类方法允许因子列数小于状态维数，从而显式表示零方差方向或严格约束方向。

---

5. 标准 Kalman 滤波模型

Kalman 滤波用于根据动态模型和含噪观测，递推估计随时间变化的状态。

状态方程：

$${\mathbf{x}}_k={\mathbf{F}}_{k-1}{\mathbf{x}}_{k-1}+{\mathbf{B}}_{k-1}{\mathbf{u}}_{k-1}+{\mathbf{w}}_{k-1}$$

观测方程：

$${\mathbf{z}}_k={\mathbf{H}}_k{\mathbf{x}}_k+{\mathbf{v}}_k$$

其中：

• ${\mathbf{x}}_k\in {\mathbb{R}}^n$：第 $k$ 个历元状态；
• ${\mathbf{F}}_{k-1}$：状态转移矩阵；
• ${\mathbf{u}}_{k-1}$：已知控制输入；
• ${\mathbf{B}}_{k-1}$：控制输入矩阵；
• ${\mathbf{w}}_{k-1}$：过程噪声；
• ${\mathbf{z}}_k\in {\mathbb{R}}^m$：观测向量；
• ${\mathbf{H}}_k$：观测矩阵；
• ${\mathbf{v}}_k$：观测噪声。

噪声协方差为：

$$\mathrm{Cov}({\mathbf{w}}_{k-1})={\mathbf{Q}}_{k-1}$$

$$\mathrm{Cov}({\mathbf{v}}_k)={\mathbf{R}}_k$$

标准公式通常假设过程噪声、观测噪声与相应的先验估计误差不相关。

---

6. 标准 Kalman 预测与更新

状态预测：

$${\hat{\mathbf{x}}}_k^{-}={\mathbf{F}}_{k-1}{\hat{\mathbf{x}}}_{k-1}^{+}+{\mathbf{B}}_{k-1}{\mathbf{u}}_{k-1}$$

协方差预测：

$${\mathbf{P}}_k^{-}={\mathbf{F}}_{k-1}{\mathbf{P}}_{k-1}^{+}{\mathbf{F}}_{k-1}^{\mathrm{T}}+{\mathbf{Q}}_{k-1}$$

新息：

$${\mathbf{\nu }}_k={\mathbf{z}}_k-{\mathbf{H}}_k{\hat{\mathbf{x}}}_k^{-}$$

新息协方差：

$${\mathbf{C}}_{\nu ,k}={\mathbf{H}}_k{\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}+{\mathbf{R}}_k$$

Kalman 增益：

$${\mathbf{K}}_k={\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}{\mathbf{C}}_{\nu ,k}^{-1}$$

状态更新：

$${\hat{\mathbf{x}}}_k^{+}={\hat{\mathbf{x}}}_k^{-}+{\mathbf{K}}_k{\mathbf{\nu }}_k$$

其中：

• 上标 $-$：当前历元观测更新前的先验量；
• 上标 $+$：观测更新后的后验量；
• ${\mathbf{\nu }}_k$：观测值与预测观测值之差。

---

7. 标准协方差更新的数值风险

简化的协方差更新为：

$${\mathbf{P}}_k^{+}=\left(\mathbf{I}-{\mathbf{K}}_k{\mathbf{H}}_k\right){\mathbf{P}}_k^{-}$$

有限精度计算可能导致：

• ${\mathbf{P}}_k^{+}$ 不再严格对称；
• 很小的正特征值变成负数；
• 协方差失去半正定性；
• 长时间递推后误差逐渐累积。

Joseph 形式为：

$$\begin{array}{rl}{\mathbf{P}}_k^{+}& =\left(\mathbf{I}-{\mathbf{K}}_k{\mathbf{H}}_k\right){\mathbf{P}}_k^{-}{\left(\mathbf{I}-{\mathbf{K}}_k{\mathbf{H}}_k\right)}^{\mathrm{T}}\\ & +{\mathbf{K}}_k{\mathbf{R}}_k{\mathbf{K}}_k^{\mathrm{T}}\end{array}$$

Joseph 形式数值上更稳健，但仍然直接保存和更新 $\mathbf{P}$。

SRKF 则直接维护 $\mathbf{S}$。

---

8. SRKF 针对什么问题

SRKF 主要针对：

有限精度计算造成的协方差数值不稳定

它重点改善：

• 协方差的对称性；
• 正定或半正定性质；
• 病态矩阵计算；
• 长时间递推可靠性；
• 不同状态尺度造成的数值风险；
• 单精度或有限字长实现。

它不直接解决：

• 状态模型错误；
• $\mathbf{Q}$ 和 $\mathbf{R}$ 设置错误；
• 粗差、多路径和周跳；
• 非高斯噪声；
• 系统不可观或弱可观问题。

SRKF 可以改善弱可观方向上的数值计算，但不能增加系统本身的可观性。

---

9. SRKF 的基本流程

SRKF 对状态均值的预测与标准 Kalman 相同。

变化主要发生在：

• 协方差时间更新；
• 新息协方差计算；
• 后验协方差更新。

---

10. QR 分解为什么适合平方根滤波

设：

$${\mathbf{A}}^{\mathrm{T}}=\mathbf{QT}$$

其中：

• ${\mathbf{Q}}^{\mathrm{T}}\mathbf{Q}=\mathbf{I}$；
• $\mathbf{T}$ 为上三角矩阵。

则：

$$\begin{array}{rl}\mathbf{A}{\mathbf{A}}^{\mathrm{T}}& ={\mathbf{T}}^{\mathrm{T}}{\mathbf{Q}}^{\mathrm{T}}\mathbf{QT}\\ & ={\mathbf{T}}^{\mathrm{T}}\mathbf{T}\end{array}$$

所以 ${\mathbf{T}}^{\mathrm{T}}$ 是 $\mathbf{A}{\mathbf{A}}^{\mathrm{T}}$ 的下三角平方根因子。

QR 分解使用正交变换，并且不需要显式形成 Gram 矩阵或法方程。与“先形成法方程、再分解”相比，它通常具有更好的舍入误差性质。

---

11. SRKF 时间更新推导

设上一历元后验协方差因子为：

$${\mathbf{P}}_{k-1}^{+}={\mathbf{S}}_{k-1}^{+}{\mathbf{S}}_{k-1}^{+\mathrm{T}}$$

过程噪声协方差因子为：

$${\mathbf{Q}}_{k-1}={\mathbf{S}}_{Q,k-1}{\mathbf{S}}_{Q,k-1}^{\mathrm{T}}$$

代入协方差预测：

$$\begin{array}{rl}{\mathbf{P}}_k^{-}& ={\mathbf{F}}_{k-1}{\mathbf{S}}_{k-1}^{+}{\mathbf{S}}_{k-1}^{+\mathrm{T}}{\mathbf{F}}_{k-1}^{\mathrm{T}}\\ & +{\mathbf{S}}_{Q,k-1}{\mathbf{S}}_{Q,k-1}^{\mathrm{T}}\end{array}$$

构造水平拼接矩阵：

$${\mathbf{A}}_k=\left[\begin{array}{cc}{\mathbf{F}}_{k-1}{\mathbf{S}}_{k-1}^{+}& {\mathbf{S}}_{Q,k-1}\end{array}\right]$$

于是：

$${\mathbf{P}}_k^{-}={\mathbf{A}}_k{\mathbf{A}}_k^{\mathrm{T}}$$

对 ${\mathbf{A}}_k^{\mathrm{T}}$ 做薄 QR 分解：

$${\mathbf{A}}_k^{\mathrm{T}}={\mathbf{Q}}_k^{(t)}{\mathbf{T}}_k$$

其中：

• ${\mathbf{Q}}_k^{(t)}$：列正交矩阵；
• ${\mathbf{T}}_k$：上三角矩阵。

因此：

$${\mathbf{P}}_k^{-}={\mathbf{T}}_k^{\mathrm{T}}{\mathbf{T}}_k$$

可取：

$$\boxed{{\mathbf{S}}_k^{-}={\mathbf{T}}_k^{\mathrm{T}}}$$

---

12. 时间更新的维数检查

设：

• 状态维数为 $n$；
• 过程噪声因子的列数为 $q$。

则：

$${\mathbf{F}}_{k-1}{\mathbf{S}}_{k-1}^{+}\in {\mathbb{R}}^{n\times n}$$

$${\mathbf{S}}_{Q,k-1}\in {\mathbb{R}}^{n\times q}$$

所以：

$${\mathbf{A}}_k\in {\mathbb{R}}^{n\times (n+q)}$$

$${\mathbf{A}}_k^{\mathrm{T}}\in {\mathbb{R}}^{(n+q)\times n}$$

薄 QR 分解得到：

$${\mathbf{T}}_k\in {\mathbb{R}}^{n\times n}$$

因此 ${\mathbf{S}}_k^{-}$ 是 $n\times n$ 下三角矩阵。

---

13. SRKF 量测更新预阵

设观测噪声协方差分解为：

$${\mathbf{R}}_k={\mathbf{S}}_{R,k}{\mathbf{S}}_{R,k}^{\mathrm{T}}$$

构造块矩阵：

$$\boxed{{\mathbf{M}}_k=\left[\begin{array}{cc}{\mathbf{S}}_{R,k}& {\mathbf{H}}_k{\mathbf{S}}_k^{-}\\ 0& {\mathbf{S}}_k^{-}\end{array}\right]}$$

其 Gram 矩阵为：

$${\mathbf{M}}_k{\mathbf{M}}_k^{\mathrm{T}}=\left[\begin{array}{cc}{\mathbf{C}}_{\nu ,k}& {\mathbf{H}}_k{\mathbf{P}}_k^{-}\\ {\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}& {\mathbf{P}}_k^{-}\end{array}\right]$$

其中：

$${\mathbf{C}}_{\nu ,k}={\mathbf{H}}_k{\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}+{\mathbf{R}}_k$$

若状态维数为 $n$、观测维数为 $m$，则：

• ${\mathbf{S}}_{R,k}\in {\mathbb{R}}^{m\times m}$；
• ${\mathbf{H}}_k{\mathbf{S}}_k^{-}\in {\mathbb{R}}^{m\times n}$；
• ${\mathbf{M}}_k\in {\mathbb{R}}^{(m+n)\times (m+n)}$。

这里默认 ${\mathbf{R}}_k$ 正定。若观测噪声协方差半正定或存在严格约束，需要使用矩形因子或约束型平方根更新。

---

14. SRKF 量测更新推导

对 ${\mathbf{M}}_k^{\mathrm{T}}$ 做 QR 分解，等价于寻找正交矩阵 ${\mathbf{U}}_k$，使：

$$\boxed{{\mathbf{M}}_k{\mathbf{U}}_k=\left[\begin{array}{cc}{\mathbf{S}}_{\nu ,k}& 0\\ {\mathbf{G}}_k& {\mathbf{S}}_k^{+}\end{array}\right]}$$

其中：

• ${\mathbf{S}}_{\nu ,k}$：新息协方差的下三角因子；
• ${\mathbf{G}}_k$：状态与新息的交叉因子；
• ${\mathbf{S}}_k^{+}$：后验协方差的下三角因子；
• ${\mathbf{U}}_k$：正交矩阵。

由于右乘正交矩阵不改变 Gram 矩阵，比较分块可得：

$$\boxed{{\mathbf{S}}_{\nu ,k}{\mathbf{S}}_{\nu ,k}^{\mathrm{T}}={\mathbf{C}}_{\nu ,k}}$$

$$\boxed{{\mathbf{G}}_k{\mathbf{S}}_{\nu ,k}^{\mathrm{T}}={\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}}$$

$$\boxed{{\mathbf{G}}_k{\mathbf{G}}_k^{\mathrm{T}}+{\mathbf{S}}_k^{+}{\mathbf{S}}_k^{+\mathrm{T}}={\mathbf{P}}_k^{-}}$$

---

15. 从平方根阵列得到状态更新

标准 Kalman 增益为：

$${\mathbf{K}}_k={\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}{\mathbf{C}}_{\nu ,k}^{-1}$$

由：

$${\mathbf{P}}_k^{-}{\mathbf{H}}_k^{\mathrm{T}}={\mathbf{G}}_k{\mathbf{S}}_{\nu ,k}^{\mathrm{T}}$$

以及：

$${\mathbf{C}}_{\nu ,k}={\mathbf{S}}_{\nu ,k}{\mathbf{S}}_{\nu ,k}^{\mathrm{T}}$$

可得：

$$\boxed{{\mathbf{K}}_k={\mathbf{G}}_k{\mathbf{S}}_{\nu ,k}^{-1}}$$

实际计算不显式求逆。

先解三角方程：

$$\boxed{{\mathbf{S}}_{\nu ,k}{\mathbf{\alpha }}_k={\mathbf{\nu }}_k}$$

再更新状态：

$$\boxed{{\hat{\mathbf{x}}}_k^{+}={\hat{\mathbf{x}}}_k^{-}+{\mathbf{G}}_k{\mathbf{\alpha }}_k}$$

其中：

• ${\mathbf{\alpha }}_k={\mathbf{S}}_{\nu ,k}^{-1}{\mathbf{\nu }}_k$；
• 在模型一致时，${\mathbf{\alpha }}_k$ 的协方差为单位矩阵，因此可理解为白化新息。

---

16. 后验协方差因子为什么正确

由量测阵列：

$${\mathbf{P}}_k^{-}={\mathbf{G}}_k{\mathbf{G}}_k^{\mathrm{T}}+{\mathbf{S}}_k^{+}{\mathbf{S}}_k^{+\mathrm{T}}$$

又因为：

$${\mathbf{K}}_k{\mathbf{C}}_{\nu ,k}{\mathbf{K}}_k^{\mathrm{T}}={\mathbf{G}}_k{\mathbf{G}}_k^{\mathrm{T}}$$

所以：

$$\begin{array}{rl}{\mathbf{P}}_k^{+}& ={\mathbf{P}}_k^{-}-{\mathbf{K}}_k{\mathbf{C}}_{\nu ,k}{\mathbf{K}}_k^{\mathrm{T}}\\ & ={\mathbf{S}}_k^{+}{\mathbf{S}}_k^{+\mathrm{T}}\end{array}$$

因此，阵列中得到的 ${\mathbf{S}}_k^{+}$ 确实是后验协方差平方根。

---

17. 标准 Kalman 与 SRKF 的区别

对比项	标准 Kalman	SRKF
不确定度表示	$\mathbf{P}$	$\mathbf{S}$
基本关系	直接递推协方差	$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$
主要运算	协方差乘加	QR、Cholesky、三角回代
精确算术结果	基准	与标准 Kalman 等价
数值稳定性	依赖实现	通常更好
协方差半正定性	可能受舍入误差影响	更容易维护
实现难度	较低	较高
计算量	通常较小	可能较大
天然抗粗差	否	否

---

18. SRKF 优化的是什么

SRKF 不改变 Kalman 滤波的统计目标。

它优化的是：

协方差及其更新过程的数值表示

主要体现在：

1. 避免直接对相近的协方差矩阵做减法；
2. 避免显式形成普通矩阵逆；
3. 使用正交变换处理敏感矩阵运算；
4. 更容易保持对称性；
5. 更容易保持正定或半正定性质；
6. 降低状态尺度差异带来的数值风险。

因此：

SRKF 的主要优势是数值可靠性，而不是理论精度模型发生变化。

---

19. 条件数怎样理解

若 $\mathbf{P}$ 正定，且：

$$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$$

则二范数条件数满足：

$$\boxed{{\kappa }_2(\mathbf{P})={\kappa }_2^2(\mathbf{S})}$$

因此：

$${\kappa }_2(\mathbf{S})=\sqrt{{\kappa }_2(\mathbf{P})}$$

其中：

• ${\kappa }_2(\mathbf{P})$：协方差矩阵的二范数条件数；
• ${\kappa }_2(\mathbf{S})$：平方根因子的二范数条件数。

该关系说明平方根因子的条件数通常更温和。

但它不表示：

• 状态误差会按平方根比例降低；
• Kalman 增益一定提高同样比例的精度；
• 错误模型会被平方根分解自动修复。

---

20. SRKF 的完整流程

---

21. 平方根算法、SRIF 与 UD 分解

平方根 Kalman 滤波有多种实现，例如：

• Potter 平方根滤波；
• Carlson 平方根滤波；
• QR 阵列平方根滤波；
• 平方根 EKF；
• 平方根 UKF。

平方根信息滤波 SRIF 保存：

$${\mathbf{P}}^{-1}={\mathbf{R}}_x^{\mathrm{T}}{\mathbf{R}}_x$$

其中：

• ${\mathbf{R}}_x$：上三角平方根信息矩阵。

SRIF 更接近白化最小二乘，适合信息累积、观测分块和参数消元。

UD 分解滤波保存：

$$\mathbf{P}=\mathbf{UD}{\mathbf{U}}^{\mathrm{T}}$$

其中：

• $\mathbf{U}$：单位上三角矩阵；
• $\mathbf{D}$：非负对角矩阵。

UD 分解属于协方差因子化滤波。虽然可以进一步写成：

$$\mathbf{P}=\left(\mathbf{U}{\mathbf{D}}^{1/2}\right){\left(\mathbf{U}{\mathbf{D}}^{1/2}\right)}^{\mathrm{T}}$$

但经典 UD 算法直接递推的是 $\mathbf{U}$ 和 $\mathbf{D}$，通常与直接递推 Cholesky 平方根因子的 SRKF 分开讨论。

---

22. SRKF 的主要优势

22.1 数值稳定性更好

正交变换通常能减少舍入误差对协方差结构的破坏。

22.2 更容易保持协方差性质

只要因子有效：

$$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$$

恢复出的 $\mathbf{P}$ 天然对称半正定。

22.3 适合长期递推

数值误差会随时间累积，平方根形式通常更适合长时间连续运行。

22.4 适合状态尺度差异大的系统

例如坐标、钟差、对流层和模糊度具有不同量纲和先验方差。

22.5 适合有限精度硬件

例如：

• 单精度浮点；
• 固定字长；
• 嵌入式处理器；
• 高可靠导航计算机。

---

23. SRKF 的局限

• 实现复杂度较高；
• 不同文献的上、下三角约定不同；
• QR 分解可能增加计算量；
• 状态动态增删需要专门的因子更新；
• 半正定或秩亏矩阵不能盲目使用普通 Cholesky；
• 不会自动调好 $\mathbf{Q}$ 和 $\mathbf{R}$；
• 不天然抵抗粗差、多路径和周跳；
• 非线性系统仍需平方根 EKF、UKF 等扩展。

数值稳定
≠
模型正确
≠
观测没有异常

---

24. 在 GNSS 参数估计中是否适用

SRKF 很适合以下 GNSS 参数估计问题：

• 长时间连续递推；
• 状态维数较大；
• 状态尺度差异明显；
• 卫星几何较弱；
• 单精度或有限字长计算；
• 对协方差数值可靠性要求较高。

可估状态包括：

• 接收机坐标、速度和加速度；
• 接收机钟差和钟漂；
• 对流层延迟；
• 电离层延迟；
• 整周模糊度；
• 卫星钟差；
• 轨道参数；
• GNSS/INS 误差状态。

---

25. PPP 状态中的数值尺度问题

以简化的双频非组合 PPP 为例，状态可写为：

$$\mathbf{x}={\left[\begin{array}{ccccc}{\mathbf{r}}^{\mathrm{T}}& c\delta t_r& T_{\mathrm{zwd}}& {\mathbf{I}}^{\mathrm{T}}& {\mathbf{b}}_{\varphi }^{\mathrm{T}}\end{array}\right]}^{\mathrm{T}}$$

其中：

• $\mathbf{r}$：接收机三维坐标，常用单位为米；
• $c$：真空光速；
• $\delta t_r$：接收机钟差，$c\delta t_r$ 的单位为米；
• $T_{\mathrm{zwd}}$：天顶湿延迟，单位通常为米；
• $\mathbf{I}$：各卫星电离层延迟状态，其符号和单位由观测模型规定；
• ${\mathbf{b}}_{\varphi }$：各卫星的载波相位模糊度相关状态。

这里使用 ${\mathbf{b}}_{\varphi }$ 而不是直接写整数 $\mathbf{N}$，是因为 PPP 浮点状态可能同时吸收：

• 整周模糊度；
• 接收机和卫星相位偏差；
• 初始相位常数；
• 参数化中的波长因子。

只有在偏差产品、参考基准和单位全部一致后，才讨论可恢复的整数模糊度。

多系统 PPP 还可能增加：

• 系统间偏差 ISB；
• 频间偏差；
• 接收机码偏差或其他基准参数。

这些状态具有不同的单位、先验方差、过程噪声和连续性。SRKF 能改善数值递推，但不能替代合理的参数化、基准约束和状态缩放。

---

26. PPP 与 PPP-AR 中的应用边界

SRKF 可用于：

• 坐标、钟差和对流层递推；
• 电离层状态估计；
• 模糊度浮点估计；
• 长时间静态或动态 PPP；
• 观测中断期间的状态传播；
• 模糊度状态的扩展和删除。

但以下功能仍需独立实现：

• 周跳检测；
• 模糊度整数固定；
• 固定约束注入；
• 错误固定释放；
• 粗差探测；
• 多路径处理；
• 随机模型调整。

26.1 固定约束的数值边界

将模糊度完全固定为精确常数，理论上会使对应方向的后验方差变为零，协方差可能从正定变为半正定。

此时不能盲目使用要求正定的普通 Cholesky 更新。常见处理包括：

• 使用约束型平方根滤波；
• 在 QR 阵列中加入精确约束方程并消元；
• 使用秩揭示分解；
• 使用足够小但非零的约束方差，并评估其数值影响。

SRKF 不会提高卫星几何本身，也不会自动提高模糊度固定成功率。

---

27. GNSS/INS 组合导航中的应用

GNSS/INS 误差状态可能包括：

• 位置误差；
• 速度误差；
• 姿态误差；
• 陀螺零偏；
• 加速度计零偏；
• 比例因子；
• 杆臂参数；
• 时间同步误差。

长时间递推、弱可观状态和嵌入式有限精度计算，容易放大协方差数值问题。

平方根 EKF 或 SRKF 可以：

• 提高长期递推的数值可靠性；
• 更稳定地维护协方差因子；
• 支持单精度实现；
• 减少弱可观方向的数值退化。

但它不能改变系统的真实可观性。

---

28. 定轨、钟差和 GNSS 网络解算

高维 GNSS 估计可能包含：

• 多颗卫星的轨道参数；
• 卫星钟差；
• 多测站接收机钟差；
• 对流层参数；
• 模糊度；
• 地球定向和动力学参数。

常见选择包括：

• SRKF：协方差平方根递推；
• SRIF：平方根信息形式和参数消元；
• 稀疏 QR 或因子图：大型稀疏系统。

SRIF 已用于卫星定轨、定位和钟差估计等 GNSS 参数估计问题。

---

29. 卫星升降与状态增删

GNSS 滤波器经常需要：

• 增加新卫星模糊度；
• 删除落下卫星状态；
• 周跳后重置模糊度；
• 增加或删除电离层状态。

SRKF 必须同步更新平方根因子，常用方法包括：

• 块 Cholesky 扩展；
• QR 更新；
• Cholesky update/downdate；
• Givens 旋转；
• 重新三角化。

一般不能直接删除 $\mathbf{S}$ 的任意一行和一列，因为结果通常不再对应正确的边缘协方差。

一个例外是：待删除状态已经通过置换移动到因子末端，并且因子具有相应块三角结构。实际工程通常先做状态置换，再使用 Givens 旋转、QR 或重新 Cholesky 三角化。

---

30. SRKF 是否有独有使用场景

严格来说，没有一种状态估计问题只能由 SRKF 解决。

在精确算术下，标准 Kalman 可以得到相同理论结果。

SRKF 最具代表性的应用场景是：

估计模型仍属于 Kalman 框架，但直接协方差递推受到有限精度、病态性或长期误差累积的威胁。

特别适合：

• 高可靠导航；
• 长时间连续运行；
• 单精度或固定字长硬件；
• 弱几何或弱可观条件下容易出现数值退化的系统；
• 大状态维数；
• 状态尺度差异明显；
• 对协方差正定性要求严格。

它的独特工程价值是：

更可靠地实现同一个Kalman估计问题

---

31. 方法选择流程

---

32. 常见概念混淆

32.1 SRKF 就是均方根滤波

错误。SRKF 的“平方根”指协方差矩阵因子。

32.2 SRKF 是对状态向量开平方

错误。状态仍保持原物理单位。

32.3 $\mathbf{S}$ 是对 $\mathbf{P}$ 逐元素开平方

错误。它满足 $\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$。

32.4 Cholesky 因子就是对称主平方根

错误。Cholesky 因子通常是三角矩阵，满足
$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$，但一般不满足
${\mathbf{S}}^2=\mathbf{P}$。

32.5 SRKF 的理论精度一定高于标准 Kalman

错误。精确算术下两者等价。

32.6 SRKF 一定更快

错误。QR 和三角化可能增加计算量。

32.7 SRKF 天然抗粗差和多路径

错误。仍需异常检测和鲁棒估计。

32.8 SRKF 可以提高系统可观性

错误。它只能改善数值实现，不能创造新的观测信息。

32.9 使用 SRKF 就不需要调 $\mathbf{Q}$ 和 $\mathbf{R}$

错误。平方根实现不能修复错误的随机模型。

32.10 半正定矩阵一定能直接普通 Cholesky 分解

错误。秩亏时需要专门的分解方法。

32.11 UD 分解就是平方根 Kalman

不准确。UD 是相关的协方差因子化方法，但不是严格的平方根形式。

---

33. 工程实现检查清单

33.1 数学约定

• 明确使用上三角还是下三角因子；
• 全文转置方向保持一致；
• 明确采用 $\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$ 还是 $\mathbf{P}={\mathbf{S}}^{\mathrm{T}}\mathbf{S}$；
• QR 三角因子的对角线符号是否规范化。

33.2 数值实现

• 使用三角回代代替显式求逆；
• 使用稳定的 QR 和 Cholesky 库；
• 半正定噪声是否使用适当的矩形因子；
• 精确约束是否采用约束型或秩揭示更新；
• 状态是否进行合理缩放；
• 是否避免显式形成病态法方程；
• 是否监测 NaN、负对角线和秩亏。

33.3 GNSS 状态管理

• 新升卫星是否正确扩展因子；
• 落下卫星是否正确降阶；
• 周跳后是否重置对应状态；
• 固定模糊度约束是否正确注入且不会破坏因子秩；
• 状态删除前是否进行了置换和重新三角化；
• 是否保留新息和残差用于质量控制；
• $\mathbf{Q}$ 和 $\mathbf{R}$ 是否与实际场景匹配。

---

34. 总结

可以用下面几句话记住全文：

平方根 Kalman 滤波不直接递推协方差 $\mathbf{P}$，而是递推满足
$\mathbf{P}=\mathbf{S}{\mathbf{S}}^{\mathrm{T}}$ 的矩阵因子 $\mathbf{S}$。

“平方根”不是均方根，也不是对状态或矩阵元素逐个开平方；SRKF 通常递推的是 Cholesky 型协方差因子，而不是必须递推对称主平方根。

SRKF 与标准 Kalman 使用相同的统计模型和估计目标；精确算术下结果等价。

SRKF 通过 QR、Cholesky 和三角回代减少舍入误差，更容易维护协方差的对称性和正定性。

SRKF 适合 PPP、PPP-AR、GNSS/INS、精密定轨和实时钟差等长期、高维或数值条件较差的 GNSS 参数估计。

SRKF 的独特工程价值不是产生新的最优解，而是更可靠地实现原有 Kalman 估计。

---

参考资料

• R. E. Kalman：A New Approach to Linear Filtering and Prediction Problems
• C. L. Thornton：Triangular Covariance Factorizations for Kalman Filtering
• G. J. Bierman：Factorization Methods for Discrete Sequential Estimation
• K. Tracy：A Square-Root Kalman Filter Using Only QR Decompositions
• IGS Workshop：Square Root Information Filter Considering Temporal Correlation of GNSS Observations