所以，在这个问题中，如果我是正确或没有，我会很感激提示和进一步的信息。
要计算固定锚点（如GPS）的距离测量位置，您需要解决三边测量问题，例如：非线性最小二乘法，几何算法或粒子滤波器，它们也能够解决三边测量问题 - 这样的问题。
由于噪音/错误，结果可能是锯齿状线 - ＆gt;你可以使用卡尔曼滤波器来平滑它。到目前为止：粒子计算，卡尔曼 - 平滑。现在：
是否可以使用卡尔曼滤波器来平滑已经存在的结果，但是要解决这种三边测量问题呢？
关于粒子滤波器：如何使用粒子滤波器来解决三边测量问题，但是要使已经存在的结果平滑（例如用NLLS计算）？
最好，感谢任何提示，论文，视频，解决方案等！
答案 0 :(得分：2)
卡尔曼滤波器是线性高斯问题的最优解算器。它通常用于解决三边测量问题（问题1）。为了在这个问题中使用它，雅可比行星（距离测量相对于位置的偏导数）在当前位置估计处被线性化。该过程，雅可比行列式的线性化，将卡尔曼滤波器定义为文献中的扩展卡尔曼滤波器或EKF。这适用于GPS，因为发射机的范围非常大，以至于如果卡尔曼滤波器被粗略地初始化（例如在100km内），由于位置误差导致的雅可比估计误差小到可以忽略不计。当“固定锚”离用户更近时，它会崩溃。锚点越近，到锚点的视线矢量越快地随位置估计而变化。在这些情况下，有时使用Unscented卡尔曼滤波器（UKF）或粒子滤波器（PF）代替EKF。
在我看来，KF和EKF的最佳介绍是Gelb的Applied Optimal Estimation。这本书自1974年以来一直出版，有一个原因。关于锚点关闭时EKF细分的讨论可以在Julier的文章“The Scaled Unscented Transformation”中找到，可以找到here。
对于问题2，答案是肯定的，当然可以使用PF来平滑所创建的解决方案，例如，通过使用来自最小二乘解算器的逐个纪元的结果替换范围测量。位置。我不推荐这种方法。 PF的力量，以及我们为每个粒子计算一切的价格的原因是它处理非线性。在将问题交给PF之前将问题“预先线性化”会使其失败。