余 航，王 坚，王乐洋，宁一鹏，刘志平

1. 中国矿业大学环境与测绘学院，江苏 徐州 221116； 2. 北京建筑大学测绘与城市空间信息学院，北京100044； 3. 东华理工大学测绘工程学院，江西 南昌 330013

卡尔曼滤波(Kalman filter，KF)方法已在组合导航、GPS定位及目标跟踪等方面取得了广泛应用，是一种处理动态模型获得时变参数的经典方法[1]。常用的卡尔曼滤波方法是基于最小二乘估计或最小方差估计的标准卡尔曼滤波方法[2]。此后，多种扩展方法相继提出，如抗差卡尔曼滤波、抗差自适应卡尔曼滤波、约束卡尔曼滤波，又如扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等[3]。然而，在某些导航应用中，动态模型中观测方程的系数矩阵及状态方程的状态转移矩阵均存在误差影响，严格意义上应考虑采用总体最小二乘(total least squares，TLS)平差方法。对于非动态系统，文献[4—6]首次将总体最小二乘方法的思想应用于求解大地测量领域中的坐标转换问题，此后许多学者对其进行了广泛研究[7-17]。对于动态系统，文献[18]同时顾及了动态系统的输入与输出项误差，将总体最小二乘方法转化为无约束非线性规划问题并用于航迹的微分平滑系统。由于绝大多数动态模型均呈现出非线性的特点，但变量间的非线性关系往往可通过线性化、变量变换等转化为线性关系，因此分析线性情况下的动态模型最为普遍。文献[19]在线性动态系统的条件下，首次提出的动态EIV(errors-in-variables，EIV)模型的概念，提出将总体最小二乘方法应用于求解动态……