Rtklib
- 一、抗差自适应卡尔曼滤波
- 1. **核心难点**
- 2. **公式与代码实现**
- 二、模糊度固定与LAMBDA算法
- 1. **核心难点**
- 2. **LAMBDA算法实现**
- 3. **部分模糊度固定技术**
- 三、伪距单点定位与误差修正
- 1. **多系统多频点修正**
- 2. **接收机钟差与系统间偏差**
- 四、动态模型与周跳处理
- 1. **动态模型选择**
- 2. **周跳检测方法**
- 五、关键配置与调试陷阱
- 六、参考文献与代码模块
以下是对RTKLib中重难点技术、公式及代码实现的总结，结合其核心模块和实际应用场景进行分点阐述：
一、抗差自适应卡尔曼滤波
1. 核心难点
在复杂动态环境下（如城市峡谷、高动态运动），传统扩展卡尔曼滤波（EKF）易受粗差和周跳影响，需结合抗差估计（Robust Estimation）和自适应因子调整量测与动力学模型的权重。
2. 公式与代码实现
-
自适应因子计算：基于新息向量（预测残差）动态调整状态噪声协方差矩阵。公式中设定阈值 ( c_0 ) 和 ( c_1 )，通过残差平方和计算自适应因子：
double adaptive_factor(const double <
四个基本公式推导)
)
