1. 从“双差”开始：为什么它是RTK算法的基石
如果你拆开过任何一台RTK接收机，或者看过它的算法手册，第一个跳出来的数学公式大概率就是“双差观测方程”。很多朋友一看到这个公式就头疼，觉得又是矩阵又是误差项的，太复杂了。别急，咱们今天不搞数学竞赛，我就用大白话给你讲讲，为什么这个“双差”是RTK高精度的命根子，没了它，厘米级定位就是空中楼阁。
想象一下，你和朋友站在操场的两端，手里都拿着对讲机。这时候天上飞过一架飞机，你们俩同时用对讲机测量自己到飞机的距离。你测出来是1000米，朋友测出来是1020米。这个距离准吗？不一定，因为对讲机的时钟可能和标准时间有微小的不同步，这个误差可能就有几米甚至十几米。这就是接收机钟差，它是定位里最讨厌的误差源之一，而且每台接收机都不一样。好，现在我们玩个“消消乐”游戏。第一步，站间单差：用你的观测值减去你朋友的观测值。神奇的事情发生了，你们俩各自接收机的钟差，因为做减法，被完美地抵消掉了！因为钟差是接收机自身的“系统病”，在同一个时间点，它对所有卫星信号的“毒害”程度是一样的，一减就没了。这一步，我们干掉了最大的“拦路虎”。
但麻烦还没完。卫星自己也有钟差，而且信号穿过大气层（尤其是电离层和对流层）时会像穿过哈哈镜一样发生延迟，这个延迟量很大，也是米级的误差。别慌，我们还有第二步：星间单差。我们选一颗看得最清楚、位置最高的卫星作为“参考星”，然后用其他卫星的观测值减去这颗参考星的观测值。你猜怎么着？对于同一个接收机（比如你），信号从不同卫星传过来，经过的大气层路径虽然不同，但在几十公里的短基线范围内，它们受到的大气延迟影响非常相似。做星间差分后，这些共同的大气延迟误差又被大幅度削弱了。最后，我们把这两步结合起来：先做站间差分消接收机钟差，再做星间差分消公共大气误差和卫星钟差。这个“先站间，后星间”的组合拳，就是双差。
所以，双差方程的精髓不是把问题变复杂，而是用巧妙的“差分”手法，把那些我们难以精确建模的、巨大的公共误差项给“减”没了。留下来的，主要是我们关心的几何距离差，以及一个关键的整数——整周模糊度。这个模糊度，你可以理解为信号从卫星到接收机所经历的完整波形的个数，它必须是个整数。我们的终极目标，就是把这个整数准确地找出来。找到了它，距离测量就能精确到波长的级别（比如L1载波波长约19厘米），厘米级甚至毫米级定位才有可能。所以说，双差方程是RTK算法的起点和基石，它为我们清扫了战场，让真正的“主角”——整周模糊度——得以登场。
2. 误差方程的建立与参数估计：如何从数据中“榨”出信息
建立了双差观测方程，我们手里就有一堆包含着噪声的观测数据了。接下来的问题就像侦探破案：如何从这些充满干扰的信号里，最准确地估计出我们想要的东西——主要是流动站的位置坐标（X, Y, Z）和那个关键的整周模糊度N？这个过程，就是参数估计。在RTK里，最常用的两大利器是最小二乘法和卡尔曼滤波。我打个比方，最小二乘法像是一次性的“最优拟合”，而卡尔曼滤波则像是“持续追踪与修正”。
我们先看最小二乘法。这其实是个很直观的想法：我有一堆观测方程（每个双差观测值对应一个方程），但方程里的未知数（参数）比方程少。这些方程因为观测噪声的存在，不可能被同时完美满足。那怎么办？最小二乘说，我们找一个解，使得所有方程的“残差”（模型计算值与实际观测值之差）的平方和最小。这个“残差平方和最小”的解，在统计意义上是最优的。把我们的双差方程写成矩阵形式：y = A * x + v。这里，y是观测值向量（双差载波相位和伪距），A是设计矩阵（它把未知参数和观测值联系起来，里面充满了卫星和测站的几何信息），x就是我们要求的未知参数向量[dX, dY, dZ, N1, N2, ...]^T（坐标改正量和各个双差模糊度），v是观测噪声。最小二乘的解就是x_hat = (A^T * P * A)^-1 * A^T * P * y，其中P是观测值的权阵，用来表示我们对不同观测值（比如，相位观测比伪距观测精度高得多）的信任程度。解出来的x_hat里，模糊度部分就是我们最初得到的浮点解——它是一个实数，但我们知道它理论上应该是个整数。
在实际的RTK接收机里，更常用的是卡尔曼滤波。为什么？因为定位是连续的、动态的过程。卡尔曼滤波把状态估计问题分成“预测”和“更新”两步。它不仅仅使用当前历元的数据，还记住了之前历元的状态估计结果和它们的可信度（用协方差矩阵表示）。举个例子，流动站正在移动，根据上一秒的位置和速度，我可以“预测”它下一秒大概在哪里（预测步）。然后，这一秒新的GNSS观测数据来了，我用这个新证据去“更新”我的预测，得到一个更优的估计（更新步）。对于模糊度来说，卡尔曼滤波可以把它作为一个“状态量”进行持续的估计和滤波。随着时间推移，越来越多的观测数据被纳入，模糊度浮点解的估计会越来越准，其不确定性（协方差）也会越来越小，这就为后续固定模糊度打下了坚实的基础。无论是最小二乘还是卡尔曼滤波，最终输出的核心都是两样东西：模糊度参数的浮点解向量a_hat，以及反映这些估计值不确定性的协方差矩阵Q_hat。这个(a_hat, Q_hat)对，就是交给下一阶段——模糊度固定——的“原材料”。
3. LAMBDA算法：在整数迷宫中寻找唯一出口
拿到了模糊度的浮点解a_hat和协方差阵Q_hat，故事才进入最精彩也最核心的部分。a_hat是一堆实数，比如[100.3, 20.7, -5.1, ...]，但真实的模糊度必须是整数，比如[100, 21, -5, ...]。你可能会想，这还不简单？四舍五入取整不就行了？我刚开始也这么天真，直到被现实狠狠打脸。在存在观测误差和几何构型不佳的情况下，直接取整的失败率极高，因为各个模糊度之间是高度相关的（协方差阵Q_hat非对角元素很大），一个模糊度取整错误会牵连其他。
这就好比你要猜一个四位数的密码锁，每一位都不是独立的，拧动一位会影响其他位的受力感觉。LAMBDA（Least-squares AMBiguity Decorrelation Adjustment）算法，就是解决这个“整数最小二乘”问题的绝世武功。它的目标很明确：在所有可能的整数向量组合中，找到一个z，使得(a_hat - z)^T * Q_hat^-1 * (a_hat - z)这个加权距离最小。这个z就是我们要的固定解。
LAMBDA算法的智慧体现在两步：“降相关”和“搜索”。
- 降相关（Decorrelation）：这是LAMBDA的灵魂。它通过一个巧妙的整数变换
z = Z * a，将原始的、高度相关的模糊度a，变换到一个新的空间，得到一组新的模糊度z。这个变换矩阵Z是整数且可逆的。经过变换后，新模糊度z的协方差矩阵会变得非常“对角化”，也就是说，各个z之间的相关性大大降低。这就把原来纠缠在一起的“毛线团”，理顺成了几乎彼此独立的几根线。降相关后，搜索效率会呈指数级提升。 - 整数搜索（Search）：在降相关后的空间里，算法构造一个以变换后的浮点解为中心、以协方差椭圆为形状的搜索空间。它使用高效的“深度优先搜索”策略，遍历这个空间内所有可能的整数向量组合。由于已经降相关，搜索空间从一个被拉得很斜的椭球变成了一个比较“正”的椭球，需要遍历的候选点数量大大减少。算法会快速列出若干个加权距离最小的候选整数向量，并按距离从小到大排序。
搜索完成后，我们还需要做一个关键的有效性检验，最常用的就是比率检验（Ratio Test）。计算最优候选解z1的加权距离与次优候选解z2的加权距离的比值Ratio = (距离2 / 距离1)。如果Ratio值大于一个经验阈值（比如2或3），我们就认为最优解z1是可靠的，固定成功。否则，就认为本次固定不可信，保留浮点解。这个检验是防止误固定的重要安全阀。最后，通过逆变换a_fixed = Z^-1 * z1，我们将固定解变回原始空间，得到我们最终需要的整周模糊度。
4. 从宽巷到窄巷：模糊度固定的“两步走”策略
在实际工程中，我们很少直接去固定最基本的L1或L2载波上的模糊度（我们称之为“窄巷模糊度”）。因为它们的波长太短（L1约19cm，L2约24cm），对应的模糊度数值非常大，搜索空间巨大，初始化时间很长，也更容易出错。于是，工程师们想出了一个绝妙的“化难为易”的策略：先固定宽巷，再固定窄巷。
什么是宽巷（Wide-Lane）？它不是一个新的物理信号，而是通过将两个频率（如GPS的L1和L2）的载波观测值进行线性组合，人为构造出来的一个虚拟信号。这个组合的妙处在于，它的波长变长了！λ_wide = c / (f1 - f2)，对于GPS，λ_wide大约是86厘米。波长变长意味着什么？意味着模糊度的不确定性范围变小了。举个例子，同样1米的误差，在19厘米的波长上会造成约5个整周的不确定性，但在86厘米的波长上，只造成约1个整周的不确定性。搜索空间瞬间缩小了很多倍。
所以，标准流程是这样的：首先，利用双频观测值，构造出宽巷观测值，并建立宽巷的双差方程。对这个方程进行参数估计，得到宽巷模糊度的浮点解和协方差阵。然后，调用LAMBDA算法去固定这个波长长达86厘米的宽巷模糊度。由于波长长，这一步的固定通常非常快速和可靠，成功率极高。宽巷模糊度固定后，它就从一个未知数变成了一个已知的整数。接下来，我们回过头来处理原始的L1或L2载波（窄巷）。这时，方程里已知了一个整数（宽巷模糊度），相当于多了一个非常强的约束条件。在这个强约束下，再去估计和固定波长较短的窄巷模糊度，难度就大大降低了。这就像爬山，直接攀登陡峭的岩壁（固定窄巷）很难，但我们先找到一条缓坡（固定宽巷）上到山腰，再从山腰向上攀爬（固定窄巷），整体就轻松和安全多了。
窄巷模糊度固定后，我们便得到了所有载波相位观测值上精确的整数模糊度。此时，将这些已知的整数模糊度代回最初的双差载波相位观测方程。由于模糊度的误差被彻底消除，载波相位就变成了极其精确的距离测量值（精度在毫米级）。用这些“净化”后的观测值重新解算流动站的位置，得到的就是最终的固定解。这个解的精度，就从浮点解时代的分米级，跃升到了厘米级甚至毫米级。
5. 实战推演：RTK接收机中的算法时序与决策流
纸上谈兵终觉浅，咱们把上面所有这些步骤串起来，看看它们是如何在一个真实的RTK接收机内部，像精密钟表一样循环运作的。你可以结合我下面描述的过程，在脑海里勾勒出那个经典的RTK算法流程图。
当一个历元（比如1秒）的原始观测数据从射频前端送进来，算法引擎就启动了。第一步，数据预处理与差分构建。接收机先进行周跳探测与修复（这是另一个大话题，确保相位观测的连续性），然后利用基准站通过数据链路发来的观测数据，实时构造双差观测值。注意，这里会同时构造伪距双差和载波相位双差，它们一个无模糊度但噪声大，一个有模糊度但精度高，将协同发挥作用。
第二步，参数估计与浮点解算。将构建好的双差观测方程送入卡尔曼滤波器。滤波器首先进行时间更新（预测），根据上一历元的状态（位置、速度、模糊度）和动态模型，预测当前历元的状态。然后进行测量更新，用当前的双差观测值来修正预测。这个循环不断进行，持续输出流动站坐标和模糊度向量的浮点解(a_hat, Q_hat)。在接收机刚启动或信号中断后重新捕获时，这个浮点解会有一个收敛过程，其协方差Q_hat会从大变小，反映估计置信度的提升。
第三步，模糊度固定尝试。并不是每个历元都盲目调用LAMBDA算法。算法模块会设置一个触发条件，例如：浮点解的协方差矩阵迹小于某个阈值（表示状态已初步收敛），或者卫星几何构型（PDOP值）良好。条件满足后，启动固定流程。如上一章所述，采用“宽巷优先”策略。先尝试固定宽巷模糊度，进行Ratio检验。若宽巷固定成功，则利用固定的宽巷约束，再去尝试固定窄巷模糊度，并进行更严格的Ratio检验。
第四步，固定解输出与决策。这是流程的决策点。如果窄巷模糊度也固定成功，并且通过了所有有效性检验（如Ratio检验、残差检验等），那么算法就判定本历元“固定”。它将固定的整数模糊度回代，更新卡尔曼滤波器的状态（通常会给一个非常小的协方差，表示此状态已确知），并输出高精度的固定解坐标。如果固定失败（比如Ratio值不够大），则判定本历元“未固定”，算法输出浮点解坐标，同时卡尔曼滤波器继续基于浮点状态进行下一历元的预测和更新。
第五步，固定解的维护与重初始化。固定解不是一劳永逸的。在后续历元，接收机会进行“固定解跟踪”。通常采用一种叫“部分固定”或“固定解约束”的模式，即把已固定的模糊度作为已知常数，只解算位置和其他未固定的参数。这会极大提高计算效率和稳定性。但是，如果发生周跳、卫星失锁或运动模型突变（比如急转弯），导致跟踪残差过大，系统会触发“固定解有效性验证”。验证失败，则果断放弃当前固定解，模糊度状态重置为浮点解，整个流程从“浮点解收敛”重新开始。这种“敢于放弃”的机制，是保证RTK输出可靠、不跳点的关键。
整个流程，从数据输入到解算输出，通常在毫秒级内完成，在嵌入式处理器上高效运行。理解这个时序，你就能真正明白RTK不是一个静态公式，而是一个动态的、闭环的、充满决策的实时系统。它时刻在“尝试-验证-输出-监控”的循环中，确保在复杂环境下，始终给你最可靠的那一组坐标。
