1. 从GPS定位看两种算法的本质差异

第一次接触GPS定位时，我拿着开发板在户外测试，发现一个有趣现象：静止时定位点总在小范围跳动，而移动时轨迹却像喝醉似的左右摇摆。这背后其实是最小二乘法和卡尔曼滤波两种算法哲学的对决。就像用两种不同的方式观察世界——前者像拍快照，后者像看连续剧。

在伪距单点定位中，接收机通过测量与至少4颗卫星的距离（含误差）来计算自身位置。最小二乘法的处理逻辑特别直白：把当前时刻所有观测数据扔进方程组，求出一个让误差平方和最小的解。这就像用手机拍张全景照片——不管前面拍得多糟，这一张永远从零开始。实测发现，在静态场景下，这种"活在当下"的特性让它前几次迭代就能快速逼近真实位置，我用Ublox模块测试时，冷启动后3秒内就能收敛到10米精度。

但问题也随之而来。有次我在高架桥下测试，突然出现的多路径误差导致定位点偏移了20多米。最小二乘就像个固执的画家，每一笔都只参考当前看到的景象，哪怕上一秒画的是蓝天，下一秒也可能因为乌云突然改画暴雨。这种"记忆缺失"导致其抗干扰能力较弱，我在城市峡谷环境测得的数据显示，其水平定位误差经常达到15米以上。

2. 最小二乘法的快与痛

2.1 闪电般的初始收敛

在树莓派上跑定位算法时，最小二乘的表现令人惊艳。它的核心优势在于计算简单——本质上就是个矩阵运算：

# 最小二乘定位核心代码示例 import numpy as np def least_square(A, b): return np.linalg.inv(A.T @ A) @ A.T @ b

这种简洁性带来三个实战优势：

1. 冷启动友好：不需要任何先验位置信息，我在车库测试时，即使初始坐标设为零点，5次迭代内就能收敛
2. 计算开销低：在STM32F4芯片上，单次解算仅需2ms
3. 并行化容易：适合多星座系统（GPS+北斗+GLONASS同时处理）

但它的代价也很明显。去年做无人机项目时，我发现当卫星几何构型较差（如PDOP>3）时，最小二乘解的精度会断崖式下降。有组实测数据很能说明问题：

2.2 独立观测的致命伤

最小二乘把每个观测历元视为独立事件，这就像用独立照片拼视频——缺少帧间关联必然导致跳变。我遇到过最极端的情况是：静态观测时，相邻两秒的定位点竟相差12米！其根本局限在于：

1. 误差传递失控：伪距测量中的电离层延迟、钟差等误差被全盘接收
2. 动态响应迟钝：对于时速60km的车辆，这种"健忘症"会导致轨迹像折线而非曲线
3. 精度天花板低：即使用RAIM等技术优化，平面精度也很难突破3米

有个很形象的类比：最小二乘就像用体温计量体温——每次测量都是独立的，无法判断体温是在上升还是下降。

3. 卡尔曼滤波的时空观

3.1 状态空间的魔法

第一次实现卡尔曼滤波时，我被它的预测-更新机制震撼了。它用状态方程建模运动规律：

x_k = F·x_{k-1} + B·u_k + w_k z_k = H·x_k + v_k

这就像给定位系统装了物理引擎。在车载测试中，即使GPS信号短暂丢失，基于速度模型的预测仍能维持合理轨迹。有组对比数据很有趣：

但卡尔曼滤波对初始值极其敏感。记得有次将初始位置误设为北京（实际在上海），结果滤波花了2分钟才收敛。其状态协方差矩阵P就像个信任天平：

• 初始P太大：过度依赖观测，早期波动剧烈
• 初始P太小：模型僵化，难以修正错误

3.2 动态追踪的双刃剑

在无人机追踪项目中，卡尔曼滤波展现了惊人潜力。通过设计合理的Q（过程噪声）和R（观测噪声）矩阵：

Q = np.diag([0.1,0.1,0.5,0.5]) # 位置/速度过程噪声 R = np.diag([5.0,5.0]) # 观测噪声

我们实现了0.8m/s速度变化下的平滑追踪。但其代价是：

1. 计算复杂度高：每次迭代需维护状态协方差矩阵，在ARM Cortex-M7上需8ms
2. 模型依赖强：匀速模型在车辆转弯时会产生滞后
3. 发散风险大：异常观测可能导致滤波崩溃

有个实用技巧：用新息（Innovation）检测异常值。当 (z-Hx)^T·S^{-1}·(z-Hx) > χ²阈值时，应触发保护机制。

4. 工程实践的黄金法则

4.1 场景化选型指南

经过多个项目实战，我总结出这样的决策树：

1. 冷启动阶段：先用最小二乘获取初始解
2. 静态/低速场景：运动模型不可靠时，适当增大过程噪声Q
3. 高速动态场景：采用自适应卡尔曼滤波，根据动力学调整Q
4. 信号遮挡环境：结合惯性测量单元(IMU)构建组合导航

特别提醒：卡尔曼滤波的参数调试需要真实场景数据。我通常这样操作：

• 先在开阔地采集"干净"数据
• 逐步添加城市/峡谷等复杂环境数据
• 用MATLAB/Octave进行蒙特卡洛仿真

4.2 混合策略实战案例

在最近的AGV项目中，我们采用了一种混合架构：

1. 前端用最小二乘做快速解算（100Hz）
2. 后端用卡尔曼滤波做平滑（10Hz）
3. 当新息超过阈值时，触发最小二乘重新初始化

这种架构兼顾了响应速度和平稳性，实测显示：

最后分享一个血泪教训：永远要监控滤波器的归一化新息平方（NIS）。有次现场故障就是因为没发现IMU安装偏差导致模型逐渐失配，NIS值持续偏高却未触发告警。现在我们的系统只要NIS连续5次超限就自动切换至最小二乘模式并记录诊断数据。