原理概述
GNSS定位的核心是通过接收多颗卫星信号，建立观测方程组并解算接收机位置（经度、纬度、高度）与钟差参数。由于卫星信号传播存在电离层延迟、对流层延迟等误差，观测方程呈现强非线性特征。定位方程解算的本质是通过迭代算法将非线性方程组转化为线性方程组，逐步逼近真实解。牛顿迭代法与最小二乘法是两种经典解算方法，前者通过局部线性化加速收敛，后者通过最小化残差平方和提升解算稳定性。
背景问题
GNSS定位方程组通常包含4个未知数（三维位置+钟差），但单次观测仅能提供伪距或载波相位等单一类型观测值。为提升定位精度，需联合多颗卫星的观测数据构建超定方程组（方程数＞未知数数）。此时，直接求解非线性方程组计算复杂度高，且易陷入局部最优解。牛顿迭代法与最小二乘法的结合可有效解决这一问题：前者通过泰勒展开实现线性化，后者通过矩阵运算优化解算结果。
核心概念
- 非线性方程组：GNSS观测方程可表示为 ( v = f(x, y, z, \Delta t) )，其中 ( v ) 为观测值（如伪距），( f ) 为非线性函数，( (x, y, z) ) 为接收机位置，( \Delta t ) 为钟差。
- 泰勒展开：将非线性函数在某点附近展开为一阶多项式，实现局部线性化。
- 最小二乘准则：通过最小化残差平方和 ( \min \sum_{i=1}^n (v_i - \hat{v}_i)^2 ) 求解最优参数，其中 ( \hat{v}_i ) 为预测值。
- 迭代收敛：通过多次迭代逐步逼近真实解，收敛条件通常为参数变化量小于阈值或残差平方和不再显著下降。
系统组成
定位方程解算系统包含以下关键模块：
- 观测数据预处理模块：对原始伪距、载波相位观测值进行周跳探测、多路径效应修正等预处理。
- 方程组构建模块：根据卫星星历与接收机位置初值，构建非线性观测方程组。
- 线性化模块：采用牛顿迭代法对非线性方程组进行泰勒展开，生成线性化方程组。
- 最小二乘解算模块：对线性化方程组应用最小二乘法，求解参数增量。
- 迭代控制模块：判断收敛条件，决定是否继续迭代或输出结果。
工作流程
以牛顿迭代法与最小二乘法结合的解算流程为例：
- 初始化参数：根据接收机概略位置或历史定位结果，设定 ( (x_0, y_0, z_0, \Delta t_0) ) 作为初值。
- 构建非线性方程组：联合多颗卫星的观测值，生成方程组 ( v_i = f_i(x, y, z, \Delta t) )（( i=1,2,…,n )）。
- 泰勒展开线性化：在第 ( k ) 次迭代中，将 ( f_i ) 在 ( (x_k, y_k, z_k, \Delta t_k) ) 处展开为一阶泰勒级数：
[
v_i \approx f_i(x_k, y_k, z_k, \Delta t_k) + \frac{\partial f_i}{\partial x}(x - x_k) + \frac{\partial f_i}{\partial y}(y - y_k) + \frac{\partial f_i}{\partial z}(z - z_k) + \frac{\partial f_i}{\partial \Delta t}(\Delta t - \Delta t_k)
]
整理为矩阵形式 ( \mathbf{V} = \mathbf{A}\mathbf{\Delta X} + \mathbf{L} )，其中 ( \mathbf{V} ) 为观测值残差向量，( \mathbf{A} ) 为设计矩阵（包含偏导数），( \mathbf{\Delta X} = [\Delta x, \Delta y, \Delta z, \Delta \Delta t]^T ) 为参数增量向量，( \mathbf{L} ) 为常数项向量。 - 最小二乘解算：根据最小二乘准则，求解参数增量：
[
\mathbf{\Delta X} = (\mathbf{A}^T \mathbf{A})^{-1} \mathbf{A}^T \mathbf{L}
] - 更新参数：将参数增量加到当前参数上，生成新参数 ( \mathbf{X}_{k+1} = \mathbf{X}_k + \mathbf{\Delta X} )。
- 收敛判断：若 ( |\mathbf{\Delta X}| < \epsilon )（( \epsilon ) 为预设阈值）或迭代次数达到上限，则输出结果；否则返回步骤3继续迭代。
关键机制
- 线性化机制：泰勒展开的阶数直接影响线性化精度。一阶展开（牛顿迭代法）计算简单但精度受限，二阶展开（如高斯-牛顿法）精度更高但计算复杂度显著增加。实际应用中通常采用一阶展开，通过增加迭代次数提升精度。
- 最小二乘优化机制：设计矩阵 ( \mathbf{A} ) 的条件数影响解算稳定性。当卫星几何分布较差（如所有卫星位于同一象限）时，( \mathbf{A} ) 接近奇异，导致 ( (\mathbf{A}^T \mathbf{A})^{-1} ) 计算误差增大。此时需采用正则化方法（如岭回归）或改用抗差最小二乘法提升鲁棒性。
- 迭代控制机制：收敛阈值 ( \epsilon ) 的选择需平衡精度与效率。过小会导致迭代次数过多，过大则可能无法满足精度要求。通常根据观测噪声水平设定 ( \epsilon )，例如 ( \epsilon = 0.01 ) 米（位置参数）与 ( \epsilon = 0.1 ) 纳秒（钟差参数）。
示例说明
假设接收机初值 ( (x0, y_0, z_0) = (0, 0, 0) )，联合3颗卫星的伪距观测值构建方程组：
[
\begin{cases}
\sqrt{(x - x_1)^2 + (y - y_1)^2 + (z - z_1)^2} + c \Delta t = \rho_1 \
\sqrt{(x - x_2)^2 + (y - y_2)^2 + (z - z_2)^2} + c \Delta t = \rho_2 \
\sqrt{(x - x_3)^2 + (y - y_3)^2 + (z - z_3)^2} + c \Delta t = \rho_3
\end{cases}
]
其中 ( (x_i, y_i, z_i) ) 为卫星位置，( \rho_i ) 为伪距观测值，( c ) 为光速。通过泰勒展开线性化后，设计矩阵 ( \mathbf{A} ) 与残差向量 ( \mathbf{L} ) 如下：
[
\mathbf{A} = \begin{bmatrix}
\frac{x_1 - x_0}{\rho{1,0}} & \frac{y1 - y_0}{\rho{1,0}} & \frac{z1 - z_0}{\rho{1,0}} & c \
\frac{x2 - x_0}{\rho{2,0}} & \frac{y2 - y_0}{\rho{2,0}} & \frac{z2 - z_0}{\rho{2,0}} & c \
\frac{x3 - x_0}{\rho{3,0}} & \frac{y3 - y_0}{\rho{3,0}} & \frac{z3 - z_0}{\rho{3,0}} & c
\end{bmatrix}, \quad
\mathbf{L} = \begin{bmatrix}
\rho1 - \rho{1,0} \
\rho2 - \rho{2,0} \
\rho3 - \rho{3,0}
\end{bmatrix}
]
其中 ( \rho_{i,0} = \sqrt{(x_i - x_0)^2 + (y_i - y_0)^2 + (z_i - z_0)^2} )。通过最小二乘解算 ( \mathbf{\Delta X} = (\mathbf{A}^T \mathbf{A})^{-1} \mathbf{A}^T \mathbf{L} )，更新参数后继续迭代直至收敛。
技术优势与限制
- 优势：
- 牛顿迭代法通过局部线性化加速收敛，适用于强非线性方程组。
- 最小二乘法通过最小化残差平方和提升解算稳定性，尤其适合超定方程组。
- 两者结合可兼顾精度与效率，是GNSS定位领域的标准解算方法。
- 限制：
- 依赖初值质量：初值偏离真实解过远可能导致迭代发散。
- 计算复杂度：设计矩阵求逆运算 ( (\mathbf{A}^T \mathbf{A})^{-1} ) 的复杂度为 ( O(n^3) )，当卫星数量 ( n ) 较大时需采用QR分解等优化方法。
- 几何分布敏感性：卫星几何分布较差时解算精度显著下降。
常见误区
- 混淆线性化与直接求解：非线性方程组无法直接求解，必须通过线性化或数值优化方法逼近解。
- 忽视初值选择：初值质量直接影响迭代收敛性，需结合接收机概略位置或历史定位结果设定。
- 过度依赖最小二乘法：最小二乘法假设观测误差服从高斯分布，当存在粗差（如多路径效应）时需改用抗差估计方法。
总结
GNSS定位方程解算的核心是通过牛顿迭代法实现非线性方程组的线性化，再通过最小二乘法优化解算结果。理解泰勒展开的线性化机制、最小二乘的优化准则以及迭代控制的收敛条件，是掌握定位方程解算技术的关键。实际应用中需结合卫星几何分布、观测噪声水平等因素调整算法参数，以平衡精度与效率。