CN115128656A - 一种rtk-gnss抗差滤波姿态解算方法 - Google Patents

Abstract

本发明公开一种RTK‑GNSS抗差滤波姿态解算方法。在主天线单点定位后，通过惯性导航单元与主天线组合导航提高主天线定位精度。通过对载波双差模型求模糊度固定解，得到整周模糊度解后利用最小二乘法求得基线观测量，得到更精准的基线向量。通过主天线组合导航后的位置和基线向量计算出从天线位置。通过直接法和主从天线最终位置求解出载体的三个姿态角信息。在组合导航定位滤波过程中使用抗差自适应卡尔曼滤波，降低整体滤波过程中GNSS观测粗差和运动状态变化导致的误差，提高整体的滤波性能。本发明能够在观测值出现较大粗差和载体运动状态突然变化的情况下改善系统抗差能力，提高姿态测量精度。并能够在LAMBDA算法求固定解失败时，快速地求解出模糊度固定解。

Description

一种RTK-GNSS抗差滤波姿态解算方法

技术领域

本发明涉及载体姿态测量技术领域，具体涉及一种RTK-GNSS抗差滤波姿态解算方法。

背景技术

实时的载体姿态测量一直是当前研究的重点，它可以在无人机、无人驾驶方面测得实时的姿态做数据处理。高精度测姿系统中RTK(Real-time kinematic，实时动态)测姿是通过卫星信号接收机接收到载波后利用载波相位差分相对定位来实现的测姿技术，它具有初始化时间短、体积小、重量轻、误差不累积和精度高等优点。然而，现有卫星导航多天线测姿方法在实际使用过程中还存在如下问题：首先，受周围环境的干扰，GNSS(全球导航卫星系统)观测值常常会出现粗差，存在准确性不高、易受干扰的情况。其次，在载体运动过程中，受观测环境的影响，LAMBDA算法求解模糊度固定解出现困难。

惯性导航作为自主导航定位系统，虽然误差会随时间累计增大，但在短时间内精度较高，与GNSS具有很好的互补特点，通常与GNSS模块进行组合导航，以便提升GNSS的定位精度。然而，利用原始卡尔曼滤波进行组合导航的过程中，由于载体运动状态突然发生变化，会导致滤波过程中出现预测误差，GNSS观测误差会引起滤波过程中观测值出现较大误差，而这两种误差会导致滤波性能严重降低，进而导致融合后的值与真实值有很大偏差即导致融合后的值不准确，最终导致定位精度降低。

发明内容

本发明所要解决的是现有惯性导航辅助GNSS的定位系统在利用原始卡尔曼滤波进行组合导航时，会出现因载体运动状态突然发生变化和观测值出现较大误差导致定位精度降低的问题，以及在复杂环境下模糊度求解困难的问题，提供一种RTK-GNSS抗差滤波姿态解算方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种RTK-GNSS抗差滤波姿态解算方法，包括步骤如下：

步骤1、将3个天线呈直角三角形固定在需要测量的载体的表面，并将3个惯性导航单元分别安装在3个天线的相位中心处；其中位于直角三角形的直角顶点处的天线和惯性导航单元为主天线和主惯性导航单元，位于直角三角形的2个锐角顶点处的天线和惯性导航单元为从天线和从惯性导航单元；主天线和从天线之间的连线为基线；让所有天线和所有惯性导航单元的输出端与载体上的接收机连接；

1)在载体的静止阶段：

步骤2、首先，接收机利用主天线所采集到的观测伪距进行单点定位，获得主天线的初始位置；然后，接收机根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解，再利用最小二乘法求得每条基线的初始基线向量；接着，接收机将主天线的初始位置与每条基线的初始基线向量相减，得到每个从天线的初始位置；最后，接收机将主天线的初始位置和2个从天线的初始位置作为惯性导航单元的初始位置；

2)在载体的运动阶段：

步骤3、首先，接收机利用主天线所采集到的观测伪距进行单点定位，获得主天线的当前位置；接着，接收机对主惯性导航单元所采集到的三轴加速度和三轴角速度进行机械编排，获得主惯性导航单元的当前位置；最后，接收机将主天线的当前位置作为观测值，主惯性导航单元的当前位置作为预测值，并利用抗差自适应卡尔曼滤波算法对观测值和预测值进行融合滤波，得到主天线的当前位置的估计值；

步骤4、接收机对每个从惯性导航单元所采集到的三轴加速度和三轴角速度进行机械编排，获得从惯性导航单元的当前位置；

步骤5、接收机根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解，再利用最小二乘法求得每条基线的当前基线向量；

在LAMBDA算法求模糊度的固定解的过程中，通过Ratio值与设定值进行比较来判断当前模糊度固定是否失败：若Ratio值大于等于设定值，则保留当前LAMBDA算法所得到的模糊度的固定解；若Ratio值小于设定值，则利用惯性导航单元辅助快速求模糊度的固定解；

步骤6、利用基线先验约束方程对步骤5所得到的每条基线的当前基线向量进行迭代提升，得到每条基线的当前基线向量的估计值；

步骤7、将步骤4所得到的主天线的当前位置的估计值与步骤7所得到的每条基线的当前基线向量的估计值相减，得到每个从天线的当前位置的最终估计值；

步骤8、根据步骤4所得到的主天线的当前位置的估计值和步骤7所得到的2个从天线的当前位置的最终估计值，去计算载体的当前姿态。

上述步骤2中，抗差自适应卡尔曼滤波算法在原始卡尔曼滤波算法的基础上，通过构建抗差因子和自适应因子分别对卡尔曼滤波算法中的观测误差协方差矩阵和预测误差协方差矩阵进行动态调整，以动态地改变卡尔曼滤波算法中的卡尔曼增益；其中

调整后的观测误差协方差矩阵J_k为：

J_k＝τ_kR_k

调整后的预测误差协方差矩阵ξ_k为：

式中，R_k为原始的观测误差协方差矩阵；

为原始的预测误差协方差矩阵；k为当前时刻；

τ_k为抗差因子，

是预测残差的标准残差，k₀是保护临界值，k₁是零权临界值；

α_k为自适应因子，

Δε_k为自适应因子统计量，

ε_k是预测残差协方差矩阵，∑ε_k是预测残差协方差矩阵的理论计算值，tr(*)代表矩阵的迹，(*)^T代表矩阵的转置。

上述步骤5中，利用惯性导航单元辅助快速求模糊度的固定解的具体过程为：

首先，接收机将步骤3所得到的主天线的当前位置的估计值作为主天线位置，并将步骤4所得到的从惯性导航单元的当前位置作为从天线的位置，结合已知的可见卫星的位置，通过欧式距离公式计算天线与可见卫星的预测伪矩；

接着，接收机利用主天线和每个从天线的预测伪矩，计算主从天线预测伪距双差值；

最后，接收机利用所得到的主从天线预测伪距双差值和主从天线观测载波双差值，计算模糊度的固定解；

上述主天线和从天线的模糊度的固定解的计算公式为：

式中，

为主天线和从天线n与可见卫星i和j之间的模糊度的固定解；

为主天线和从天线n与可见卫星i和j之间的观测载波双差值；λ为载波波长；[*]代表四舍五入；

为主天线和从天线n与可见卫星i和j之间的预测伪距双差值，

为主天线与可见卫星i之间的预测伪矩，

为主天线与可见卫星j之间的预测伪矩，

为从天线n与可见卫星i之间的预测伪矩，

为从天线n与可见卫星j之间的预测伪矩，n＝2,3，i,j＝1,2,…,M，M为可见卫星数。

上述步骤6的具体过程如下：

步骤6.1、令初始迭代次数t为1，并将步骤5所求得的当前基线向量作为初始的当前基线向量的估计值bl₁；

步骤6.2、利用以下基线先验约束方程组计算第t次迭代的残差估计值ek_t；

步骤6.3、判断第t次迭代的残差估计值ek_t是否收敛：如果收敛，则输出第t次迭代的当前基线向量的估计值；否则计算第t+1次迭代的当前基线向量的估计值bl_t+1，其中bl_t+1＝bl_t+ek_t，并令迭代次数t加1后，返回步骤6.2；

其中，L₁₂为预先测量的基线长度；ek_t为第t次迭代的残差估计值，

为主天线和从天线n的观测载波双差减去模糊度后的双差矩阵，ε_1n为主天线和从天线n的观测载波双差测量误差矩阵，λ为载波波长，ψ为方向余弦矩阵，

为第t次迭代的当前基线向量的估计值，bl_t+1为第t+1次迭代的当前基线向量的估计值，n＝2,3。

与现有技术相比，本发明具有如下特点：

1、考虑到GNSS观测粗差、载体运动状态变化突变导致滤波性能降低的问题，本发明利用抗差自适应卡尔曼滤波对主从天线位置进行校正，提高主从天线定位精度；

2、考虑到载体运动过程的周围环境不断发生变化，会出现模糊度固定失败的现象，此时如果再次使用LAMBDA算法求模糊度固定解需要花较长时间，本发明在模糊度求解过程中，当无法利用LAMBDA算法得到固定解时，通过惯性导航单元辅助，快速得到模糊度解，提高解算速度。

3、考虑到在载波双差整周模糊度得到固定解后直接计算出的基线向量精度不高的问题，本发明在求解基线时利用基线先验约束提高基线向量精度。

附图说明

图1为一种RTK-GNSS抗差滤波测姿解算方法的整体流程图。

图2为天线布局图。

图3为抗差自适应卡尔曼滤波流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。

参见图1，一种RTK-GNSS抗差滤波姿态解算方法，其步骤包括如下：

步骤1、将卫星接收机的3个天线呈直角三角形固定在需要测量的载体的表面，并将3个惯性导航单元分别安装在3个天线的相位中心处，且这3个天线和这3个惯性导航单元均与载体上的接收机连接。

将3个天线固定在需要测量的载体的表面，且这3个天线在载体的表面呈直角三角形分布，其中位于直角三角形的直角顶点处的天线为主天线，位于直角三角形其他2个锐角顶点处的天线为从天线，以使得主天线与2个从天线的连线即基线相互垂直，天线布局如图2所示。3个惯性导航单元分别安装在3个天线的相位中心处，其中安装在主天线相位中心处的惯性导航单元为主惯性导航单元，安装在从天线相位中心处的惯性导航单元为从惯性导航单元。

步骤2、接收机在载体的静止阶段，首先，利用主天线所采集到的观测伪距进行单点定位，获得主天线的初始位置；然后，根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解后，再利用最小二乘法求得每条基线的初始基线向量；接着，将主天线的初始位置与每条基线的初始基线向量相减，得到每个从天线的初始位置；最后，将主天线的初始位置和2个从天线的初始位置作为惯性导航单元的初始位置。

考虑到惯性导航单元需要确定其初始位置才能利用机械编排进行自主定位，因此需要在准备阶段预先计算出天线的初始位置，并将其作为对应惯性导航单元的初始位置。本发明通过单点定位方式获得主天线的初始位置，并在主天线的初始位置的基础上，利用载波双差方程求得主从天线基线的基线向量，进而得到从天线的初始位置。

步骤3、接收机在载体的运动阶段，利用主天线所采集到的观测伪距进行单点定位，获得主天线的当前位置；主惯性导航单元对采集到的三轴加速度和三轴角速度进行机械编排，获得主惯性导航单元的当前位置；将主天线的当前位置作为观测值，主惯性导航单元的当前位置作为预测值，并利用抗差自适应卡尔曼滤波对观测值和预测值进行融合滤波，得到主天线的当前位置的估计值。

在卫星定位领域，利用单点定位的精度是米级别的，而利用组合定位定位的精度可以有效提高定位精度，使得定位精度可以达到分米级。然而，在利用天线和对应的惯性导航单元进行融合滤波来提高载体运动过程的定位精度时，由于在载体运动过程中，载体运动方向突然转变或者突然加速或减速，会导致惯性导航单元所推导的预测值出现较大误差，从而降低滤波性能。此外，由于环境因素等影响，GNSS常常会出现粗差，原始卡尔曼滤波中误差协方差矩阵的固定必然也会导致滤波性能降低。为此，本发明提出利用抗差自适应卡尔曼滤波来减小载体运动状态变化和GNSS观测值粗差突变导致的影响，得到载体位置最优解，其抗差自适应卡尔曼滤波如图3所示。抗差自适应卡尔曼滤波在原始卡尔曼滤波算法的基础上，通过构建抗差因子和自适应因子分别对卡尔曼滤波中的观测误差协方差矩阵和预测误差协方差矩阵进行动态调整，从而动态地改变卡尔曼滤波中卡尔曼增益的大小，达到更合理的分配预测值和观测值权重大小的目的。

(1)抗差因子τ_k

式中，

是预测残差的标准残差，

越大，观测值越不可靠，k₀是设定的保护临界值，k₁是设定的零权临界值。

通过抗差因子可以得到调整后的观测误差协方差矩阵J_k：

J_k＝τR_k

式中，R_k是原始的观测误差协方差矩阵。

(2)自适应因子α_k

式中，Δε_k为自适应因子统计量，

Δε_k反应了滤波的发散程度，当Δε_k超过所给阈值时，滤波会出现发散，此时通过自适应因子降低预测值的权重。ε_k是预测残差协方差矩阵，∑ε_k是ε_k的理论计算值，

是ε_k的理论估计值。tr(*)代表矩阵的迹，(*)^T代表矩阵的转置。

通过自适应因子可得到调整后的预测误差协方差矩阵ξ_k：

式中，

是原始的预测状态误差协方差矩阵。

这样，通过(1)与(2)构建抗差因子和自适应因子后，

原始尔曼滤波的卡尔曼增益K_k：

变为

抗差自适应卡尔曼滤波的卡尔曼增益K_k：

式中，k为时刻，H_k为测量矩阵。

从上式可看出，卡尔曼滤波增益得到了动态的改变，从而根据这两个因子合理的分配预测值和观测值权重大小。

步骤4、接收机在载体的运动阶段，利用每个从惯性导航单元所采集到的三轴加速度和三轴角速度进行机械编排，获得从惯性导航单元的当前位置。

虽然基于抗差自适应卡尔曼滤波的组合定位方式能够有效提高定位精度，但是其定位精度也只能达到分米级别，而载波双差的定位精度却可以达到厘米级别。然而，考虑到载波双差定位方式，需要确定主天线的位置，再利用载波双差所得到的基线位置确定其他从天线的位置，因此本发明主天线采用基于抗差自适应卡尔曼滤波的组合定位方式，从天线采用载波双差定位方式，以最大提高定位精度，进而提高姿态精度。

步骤5、接收机根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解后，再利用最小二乘法求得每条基线的当前基线向量。在模糊度求固定解的过程中，通过Ratio值与设定值进行比较来判断当前模糊度固定是否失败：若Ratio值大于等于设定值，则认为模糊度固定成功，此时保留当前LAMBDA算法所得到的模糊度的固定解；若Ratio值小于设定值，则认为模糊度固定失败，此时利用惯性导航单元辅助快速得到模糊度的固定解。

通常在使用LAMBDA算法求解模糊度固定解时，载体运动过程的周围环境不断发生变化，会出现模糊度固定失败的现象，此时如果再次使用LAMBDA算法求模糊度固定解需要花较长时间。为此，本发明在模糊度固定过程中，通过Ratio值来判断当前模糊度固定是否失败。在本实施例中，Ratio值的设定值为2。Ratio值大于等于2，则解算成功；Ratio值小于2，则解算失败。

本发明通过惯性导航单元辅助快速得到模糊度的固定解的过程为：

首先，则先将步骤3所得到的主天线的当前位置的估计值作为主天线位置，并将步骤4所得到的从惯性导航单元的当前位置作为从天线的位置，结合已知的可见卫星的位置，通过欧式距离公式计算天线与可见卫星的预测伪矩：

式中，

为天线n′与可见卫星i的预测伪矩，(x_n,y_n,z_n)为天线n′的天线位置的估计值，(x_i,y_i,z_i)为可见卫星i的位置，i＝1,2,…,M，M为天线n′可见卫星数，n′＝1,2,3。

然后，利用主天线和每个从天线的预测伪矩，计算主从天线预测伪距双差值：

式中，

为主天线和从天线n与可见卫星i和j之间的预测伪距双差值，

为主天线与可见卫星i之间的预测伪矩，

为主天线与可见卫星j之间的预测伪矩，

为从天线n与可见卫星i之间的预测伪矩，

为从天线n与可见卫星j之间的预测伪矩，n＝2,3，i,j＝1,2,…,M，M为可见卫星数。

最后，利用主从天线预测伪距双差值和主从天线观测载波双差值，计算模糊度的固定解：

式中，

为主天线和从天线n与可见卫星i和j之间的模糊度的固定解；

为主天线和从天线n与可见卫星i和j之间的观测载波双差值；λ为载波波长；[*]代表四舍五入；n＝2,3，i,j＝1,2,…,M，M为可见卫星数。

步骤6、利用基线先验约束提升步骤5所得到的每条基线的当前基线向量，得到每条基线的当前基线向量的估计值。

步骤6.1、令初始迭代次数t为1，并将步骤5所求得的当前基线向量作为初始的当前基线向量的估计值bl₁；

步骤6.2、利用以下基线先验约束方程组计算第t次迭代的残差估计值ek_t；

步骤6.3、判断第t次迭代的残差估计值ek_t是否收敛(ek_t在预设次数内并没有发生改变)：如果收敛，则输出第t次迭代的当前基线向量的估计值；否则计算第t+1次迭代的当前基线向量的估计值bl_t+1，其中bl_t+1＝bl_t+ek_t，并令迭代次数t加1后，返回步骤6.2；

其中，L₁₂为预先测量的基线长度；ek_t为第t次迭代的残差估计值，

为主天线和从天线n的观测载波双差减去模糊度后的双差矩阵，ε_1n为主天线和从天线n的观测载波双差测量误差矩阵，λ为载波波长，ψ为方向余弦矩阵，

为第t次迭代的当前基线向量的估计值，bl_t+1为第t+1次迭代的当前基线向量的估计值，n＝2,3。

步骤7、将步骤4所得到的主天线的当前位置的估计值与步骤7所得到的每条基线的当前基线向量的估计值相减，得到每个从天线的当前位置的最终估计值。

步骤8、根据步骤4所得到的主天线的当前位置的估计值和步骤7所得到的2个从天线的当前位置的最终估计值，去计算载体的当前姿态。

航向角y：

俯仰角p：

横滚角r：

其中，(x₁,y₁,z₁)为主天线的当前位置的估计值，(x₂,y₂,z₂)为从天线2的当前位置的估计值，(x₃,y₃,z₃)为从天线3的当前位置的估计值。

本发明公开一种RTK-GNSS抗差滤波姿态解算方法。本发明公开一种RTK-GNSS抗差滤波姿态解算方法。在主天线单点定位后，通过惯性导航单元与主天线组合导航提高主天线定位精度。通过对载波双差模型求模糊度固定解，得到整周模糊度解后利用最小二乘法求得基线观测量，得到更精准的基线向量。通过主天线组合导航后的位置和基线向量计算出从天线位置。通过直接法和主从天线最终位置求解出载体的三个姿态角信息。在组合导航定位滤波过程中使用抗差自适应卡尔曼滤波，降低整体滤波过程中GNSS观测粗差和运动状态变化导致的误差，提高整体的滤波性能。本发明能够在观测值出现较大粗差和载体运动状态突然变化的情况下改善系统抗差能力，提高姿态测量精度。并能够在LAMBDA算法求固定解失败时，快速地求解出模糊度固定解，提高了姿态解算速度。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (5)

1.一种RTK-GNSS抗差滤波姿态解算方法，其特征是，包括步骤如下：

步骤1、将3个天线呈直角三角形固定在需要测量的载体的表面，并将3个惯性导航单元分别安装在3个天线的相位中心处；其中位于直角三角形的直角顶点处的天线和惯性导航单元为主天线和主惯性导航单元，位于直角三角形的2个锐角顶点处的天线和惯性导航单元为从天线和从惯性导航单元；主天线和从天线之间的连线为基线；让所有天线和所有惯性导航单元的输出端与载体上的接收机连接；

1)在载体的静止阶段：

步骤2、首先，接收机利用主天线所采集到的观测伪距进行单点定位，获得主天线的初始位置；然后，接收机根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解，再利用最小二乘法求得每条基线的初始基线向量；接着，接收机将主天线的初始位置与每条基线的初始基线向量相减，得到每个从天线的初始位置；最后，接收机将主天线的初始位置和2个从天线的初始位置作为惯性导航单元的初始位置；

2)在载体的运动阶段：

步骤3、首先，接收机利用主天线所采集到的观测伪距进行单点定位，获得主天线的当前位置；接着，接收机对主惯性导航单元所采集到的三轴加速度和三轴角速度进行机械编排，获得主惯性导航单元的当前位置；最后，接收机将主天线的当前位置作为观测值，主惯性导航单元的当前位置作为预测值，并利用抗差自适应卡尔曼滤波算法对观测值和预测值进行融合滤波，得到主天线的当前位置的估计值；

步骤4、接收机对每个从惯性导航单元所采集到的三轴加速度和三轴角速度进行机械编排，获得从惯性导航单元的当前位置；

步骤5、接收机根据主天线和每个从天线所采集到的观测载波构建载波双差方程，并通过LAMBDA算法得到载波双差方程的模糊度的固定解，再利用最小二乘法求得每条基线的当前基线向量；

在LAMBDA算法求模糊度的固定解的过程中，通过Ratio值与设定值进行比较来判断当前模糊度固定是否失败：若Ratio值大于等于设定值，则保留当前LAMBDA算法所得到的模糊度的固定解；若Ratio值小于设定值，则利用惯性导航单元辅助快速求模糊度的固定解；

步骤6、利用基线先验约束方程对步骤5所得到的每条基线的当前基线向量进行迭代提升，得到每条基线的当前基线向量的估计值；

步骤7、将步骤4所得到的主天线的当前位置的估计值与步骤7所得到的每条基线的当前基线向量的估计值相减，得到每个从天线的当前位置的最终估计值；

步骤8、根据步骤4所得到的主天线的当前位置的估计值和步骤7所得到的2个从天线的当前位置的最终估计值，去计算载体的当前姿态。

2.根据权利要求1所述的一种RTK-GNSS抗差滤波姿态解算方法，其特征是，步骤2中，抗差自适应卡尔曼滤波算法在原始卡尔曼滤波算法的基础上，通过构建抗差因子和自适应因子分别对卡尔曼滤波算法中的观测误差协方差矩阵和预测误差协方差矩阵进行动态调整，以动态地改变卡尔曼滤波算法中的卡尔曼增益；其中

调整后的观测误差协方差矩阵J_k为：

J_k＝τ_kR_k

调整后的预测误差协方差矩阵ξ_k为：

式中，R_k为原始的观测误差协方差矩阵；

为原始的预测误差协方差矩阵；k为当前时刻；

τ_k为抗差因子，

是预测残差的标准残差，k₀是保护临界值，k₁是零权临界值；

α_k为自适应因子，

Δε_k为自适应因子统计量，

ε_k是预测残差协方差矩阵，Σε_k是预测残差协方差矩阵的理论计算值，tr(*)代表矩阵的迹，(*)^T代表矩阵的转置。

3.根据权利要求1所述的一种RTK-GNSS抗差滤波姿态解算方法，其特征是，步骤5中，利用惯性导航单元辅助快速求模糊度的固定解的具体过程为：

首先，接收机将步骤3所得到的主天线的当前位置的估计值作为主天线位置，并将步骤4所得到的从惯性导航单元的当前位置作为从天线的位置，结合已知的可见卫星的位置，通过欧式距离公式计算天线与可见卫星的预测伪矩；

接着，接收机利用主天线和每个从天线的预测伪矩，计算主从天线预测伪距双差值；

最后，接收机利用所得到的主从天线预测伪距双差值和主从天线观测载波双差值，计算模糊度的固定解。

4.根据权利要求3所述的一种RTK-GNSS抗差滤波姿态解算方法，其特征是，主天线和从天线的模糊度的固定解的计算公式为：

式中，

为主天线和从天线n与可见卫星i和j之间的模糊度的固定解；

为主天线和从天线n与可见卫星i和j之间的观测载波双差值；λ为载波波长；[*]代表四舍五入；

为主天线和从天线n与可见卫星i和j之间的预测伪距双差值，

为主天线与可见卫星i之间的预测伪矩，

为主天线与可见卫星j之间的预测伪矩，

为从天线n与可见卫星i之间的预测伪矩，

为从天线n与可见卫星j之间的预测伪矩，n＝2,3，i,j＝1,2,…,M，M为可见卫星数。

5.根据权利要求1所述的一种RTK-GNSS抗差滤波姿态解算方法，其特征是，步骤6的具体过程如下：

步骤6.1、令初始迭代次数t为1，并将步骤5所求得的当前基线向量作为初始的当前基线向量的估计值bl₁；

步骤6.2、利用以下基线先验约束方程组计算第t次迭代的残差估计值ek_t；

步骤6.3、判断第t次迭代的残差估计值ek_t是否收敛：如果收敛，则输出第t次迭代的当前基线向量的估计值；否则计算第t+1次迭代的当前基线向量的估计值bl_t+1，其中bl_t+1＝bl_t+ek_t，并令迭代次数t加1后，返回步骤6.2；

其中，L₁₂为预先测量的基线长度；ek_t为第t次迭代的残差估计值，

为主天线和从天线n的观测载波双差减去模糊度后的双差矩阵，ε_1n为主天线和从天线n的观测载波双差测量误差矩阵，λ为载波波长，ψ为方向余弦矩阵，

为第t次迭代的当前基线向量的估计值，bl_t+1为第t+1次迭代的当前基线向量的估计值，n＝2,3。

Images