Chaoz3的博客

在林荫道、城市峡谷等复杂环境下，GNSS观测值往往会出现大量粗差（由于环境原因大幅度偏离实际值），影响定位结果精度。同样，我们预设的动力学模型只是载体运动过程的近似描述，有时也会存在显著异常，影响定位精度。抗差自适应卡尔曼滤波可用于缓解上述问题，其主要包含抗差估计和自适应卡尔曼滤波两部分。抗差估计通过适当扩大异常观测方差（R）以消除和削弱粗差对参数估值的影响。自适应卡尔曼滤波采用自适应因子降低异常动力学模型信息对滤波状态的影响（扩大状态协方差阵P阵）。

相较于GNSS/INS松组合系统，GNSS-RTK/INS紧组合中将两个系统的状态量写在同一个状态模型中，观测值直接使用伪距和载波相位等GNSS原始观测值，两系统相互影响的程度加深。利用INS推算出来的短时高精度结果，可以实现INS辅助周跳检测，INS辅助模糊度固定等可以提升RTK解算精度的算法，因此基于GNSS-RTK/INS紧组合算法的研究非常广泛。

GNSS与INS具有很好的互补性，GNSS提供的位置结果不随时间发散，能够抑制惯导的误差累积，INS能在GNSS拒止环境下提供短时高精度的定位结果，GNSS/INS组合导航系统能充分发挥两系统的优势。与GNSS/INS紧组合系统相比，松组合的两个子系统相互不影响，拥有较强的稳定性，在车载组合导航领域应用广泛。

卡尔曼滤波方程的推导有多种方式，有从**随机过程**的角度切入的，但这种方法涉及到很多积分及随机过程的知识，难以理解。也有从**最小二乘**的角度切入的，这种方式只需矩阵论及少量随机过程的知识，西工大的严恭敏老师在他的《*捷联惯导算法与组合导航原理讲义*》中详细介绍了这种方式，在B站也有相关的视频课程，这些也是笔者的主要参考源。