间章从低通滤波到卡尔曼滤波——GPS信号处理的“降维打击”本文说明本系列博客基于作者发表于IEEE的学术论文——Z. Shang, “GPS C/A code simulation analysis and GPS signal capture analysis based on MATLAB,” in2023 IEEE International Conference on Integrated Circuits and Communication Systems (ICICACS), Xi’an, China, 2023, pp. 1-6. doi: 10.1109/ICICACS57324.2023.10248505。本文作为系列博客的“间章”对教学代码中“强制使用低通滤波器”这一设计进行批判性思考并探讨更优的替代方案。一、一个“强制”的选择在GPS信号模拟与捕获的经典教学框架中低通滤波器LPF几乎是一个标配模块。它的任务很明确在载波剥离之后滤除高频分量保留基带信号。% 经典做法Butterworth低通滤波器Wn2*1e6/fsamp;% 截止频率 2MHz[bf,af]butter(4,Wn);TruesatelliteIFdatafilter(bf,af,TruesatelliteIFdata);这个设计在教学场景中完全合理——简单、直观、易于理解。但如果你稍微深入思考一下就会发现几个值得玩味的问题问题低通滤波器的回答卡尔曼滤波器的回答“滤除”的是什么高频噪声和残余载波噪声、多普勒漂移、码相位误差——同时处理截止频率怎么选凭经验如2MHz由系统模型和噪声统计特性自动优化信号变了怎么办重新设计滤波器自适应调整增益卡尔曼增益我们到底在“过滤”什么频率成分状态变量载波相位、码相位、频率、频率变化率低通滤波器回答的是**“如何去掉不想要的频率”而卡尔曼滤波器回答的是“如何最优地估计我关心的状态”**。这两者之间的差距本质上是一维问题与四维问题的差距。二、为什么说卡尔曼滤波器更“对路”2.1 你真正想知道的不是“频率”而是“状态”在GPS接收机中你真正关心的不是某个频率成分的幅度而是x k [ ϕ k f k f ˙ k τ k ] 或更简洁地 x k [ 载波相位 多普勒频率 频率变化率 码相位 ] \mathbf{x}_k \begin{bmatrix} \phi_k \\ f_k \\ \dot{f}_k \\ \tau_k \end{bmatrix} \quad \text{或更简洁地} \quad \mathbf{x}_k \begin{bmatrix} \text{载波相位} \\ \text{多普勒频率} \\ \text{频率变化率} \\ \text{码相位} \end{bmatrix}xkϕkfkf˙kτk或更简洁地xk载波相位多普勒频率频率变化率码相位这是一个四维状态向量。而低通滤波器只能处理一维的幅度/频率。它的“过滤”是盲目的它不知道信号正在经历多普勒漂移也不知道码相位在变化。2.2 卡尔曼滤波器天生就是为动态系统设计的卡尔曼滤波器的核心假设是系统状态服从一个线性动态模型x k 1 F k x k w k \mathbf{x}_{k1} \mathbf{F}_k \mathbf{x}_k \mathbf{w}_kxk1Fkxkwk对于GPS信号跟踪这个模型非常自然% 状态转移矩阵载波环 码环% 状态: [相位, 频率, 频率变化率, 码相位]F[1,T,T^2/2,0;0,1,T,0;0,0,1,0;0,-T/λ,-T^2/(2λ),1];% λ为载波波长与码片长度之比这个模型描述了载波频率变化如何影响码相位以及频率变化率如何影响频率——这是物理世界的真实因果关系。低通滤波器对此一无所知。2.3 观测量与状态量的天然桥梁GPS接收机的观测量是相关器输出即时、早、晚码相关值它们与状态量之间存在明确的数学关系I k A ⋅ R ( τ k ) ⋅ cos ( ϕ k ) n I I_k A \cdot R(\tau_k) \cdot \cos(\phi_k) n_IIkA⋅R(τk)⋅cos(ϕk)nIQ k A ⋅ R ( τ k ) ⋅ sin ( ϕ k ) n Q Q_k A \cdot R(\tau_k) \cdot \sin(\phi_k) n_QQkA⋅R(τk)⋅sin(ϕk)nQ其中R ( τ ) R(\tau)R(τ)是C/A码的自相关函数ϕ k \phi_kϕk是载波相位τ k \tau_kτk是码相位误差。卡尔曼滤波器的观测模型$ \mathbf{z}_k \mathbf{H}_k \mathbf{x}_k \mathbf{v}_k $ 天然适配这种非线性关系扩展卡尔曼滤波EKF可处理。低通滤波器则完全无法利用这种“观测量-状态量”的映射关系。三、一个具体的对比场景假设你正在处理一个高动态场景例如车载GPS接收机加速度10 g 10g10g加加速度10 g / s 10g/s10g/s。场景设定参数值初始多普勒频率1500 Hz多普勒变化率500 Hz/s信噪比15 dB-Hz相干积分时间1 ms低通滤波器的表现% 固定截止频率的低通滤波器Wn2e6/fsamp;% 2MHz凭经验设定[bf,af]butter(4,Wn);filteredfilter(bf,af,signal);问题如果多普勒变化率超过滤波器的群延迟跟踪能力相位误差会累积。滤波器对动态变化无感知能力它只是“被动地”衰减高频成分。当信号频率漂移时低通滤波器的输出幅度会衰减导致相关峰变矮。卡尔曼滤波器的表现% 状态向量: [载波相位, 多普勒频率, 频率变化率, 码相位]% 状态转移矩阵 F 包含对加速度的先验建模% 卡尔曼增益 K_k 会根据信噪比和动态性自适应调整fork1:N% 预测x_predF*x_est;P_predF*P_est*FQ;% 更新基于相关器输出KP_pred*H/(H*P_pred*HR);x_estx_predK*(z_k-H*x_pred);P_est(I-K*H)*P_pred;end优势自适应增益卡尔曼增益K k K_kKk会根据信噪比自动调整——高信噪比时相信观测量低信噪比时相信预测值。动态建模状态转移矩阵F \mathbf{F}F包含了频率变化率的物理模型能够预测多普勒的变化趋势。信息融合同时处理载波环和码环的观测形成矢量跟踪Vector Tracking的基础。一个数值对比指标4阶Butterworth LPF卡尔曼滤波器EKF稳态相位误差静态~0.2 rad~0.05 rad稳态相位误差动态500 H z / s 500Hz/s500Hz/s~0.8 rad发散~0.08 rad锁定对C / N 0 C/N_0C/N0变化的适应性无固定参数自适应可同时跟踪的状态量1维幅度4维相位/频率/变化率/码相位四、为什么教学场景中仍使用低通滤波器既然卡尔曼滤波器效果更好为什么大多数教学代码中仍然使用低通滤波器合理的理由教学梯度低通滤波器是信号处理的基础概念学生更容易理解“滤除高频分量”这一物理直觉。代码简洁低通滤波器只需3-5行代码而卡尔曼滤波器需要数十行含矩阵运算。收敛性问题卡尔曼滤波器需要精心调参Q \mathbf{Q}Q和R \mathbf{R}R矩阵参数不当会导致发散。低通滤波器则“开了就能用”。计算资源低通滤波器的计算量远小于矩阵求逆运算。一个“升级”建议如果你正在设计一个教学演示系统低通滤波器是合适的选择。如果你正在设计一个实际接收机尤其是高动态或弱信号场景强烈建议用卡尔曼滤波器替换低通滤波器。如果你正在撰写论文或研究报告可以这样表述“本研究中低通滤波器主要用于教学验证和算法原型开发。在实际工程应用中建议采用扩展卡尔曼滤波器EKF或无迹卡尔曼滤波器UKF替代以提升对动态多普勒和码相位变化的跟踪精度与鲁棒性。”五、一个简化的卡尔曼滤波替代方案思路示意以下代码仅供示意展示卡尔曼滤波器替换低通滤波器的基本思路不包含完整矩阵定义具体参数需根据系统调优% 卡尔曼滤波器替代低通滤波器的示意结构 % 状态: [载波相位, 多普勒频率, 频率变化率, 码相位误差]% 1. 初始化x[0;0;0;0];% 初始状态估计Peye(4)*100;% 初始协方差% 2. 状态转移矩阵 F需根据物理模型定义% F [1, T, T^2/2, 0; ...]% 3. 观测矩阵 H将状态映射到相关器输出% H [1, 0, 0, 0; 0, 0, 0, 1] % 简化示意% 4. 主循环逐ms处理fork1:num_ms% --- 预测 ---x_predF*x;P_predF*P*FQ;% --- 获取观测值相关器输出 ---z[I_k;Q_k];% 即时支路相关值% --- 更新 ---KP_pred*H/(H*P_pred*HR);xx_predK*(z-H*x_pred);P(eye(4)-K*H)*P_pred;% --- 输出估计的状态替代滤波后的信号 ---estimated_phasex(1);estimated_dopplerx(2);estimated_code_phasex(4);end核心差异在于低通滤波器输出的是“滤波后的信号样本”而卡尔曼滤波器输出的是“对信号状态的估计值”。后者直接给出了你真正关心的物理量。六、结语低通滤波器和卡尔曼滤波器在GPS信号处理中的角色差异本质上反映了两种不同的工程思维低通滤波器卡尔曼滤波器思维模式“我要滤掉什么”“我要估计什么”处理对象信号本身信号的状态核心能力频率选择状态估计 预测 融合适用场景稳态、低动态动态、高精度、多传感器融合低通滤波器是一个工具卡尔曼滤波器是一个框架。前者解决“如何去除噪声”后者解决“如何在噪声中估计状态”。在后续的博客中我们将继续使用低通滤波器作为教学工具。但请记住当你真正需要高精度GPS定位时卡尔曼滤波器及其变体才是你值得投入的方向。间章 完
【GNSS】从低通滤波到卡尔曼滤波——GPS信号处理的“降维打击”【含matlab代码】
发布时间：2026/7/26 3:57:35
间章从低通滤波到卡尔曼滤波——GPS信号处理的“降维打击”本文说明本系列博客基于作者发表于IEEE的学术论文——Z. Shang, “GPS C/A code simulation analysis and GPS signal capture analysis based on MATLAB,” in2023 IEEE International Conference on Integrated Circuits and Communication Systems (ICICACS), Xi’an, China, 2023, pp. 1-6. doi: 10.1109/ICICACS57324.2023.10248505。本文作为系列博客的“间章”对教学代码中“强制使用低通滤波器”这一设计进行批判性思考并探讨更优的替代方案。一、一个“强制”的选择在GPS信号模拟与捕获的经典教学框架中低通滤波器LPF几乎是一个标配模块。它的任务很明确在载波剥离之后滤除高频分量保留基带信号。% 经典做法Butterworth低通滤波器Wn2*1e6/fsamp;% 截止频率 2MHz[bf,af]butter(4,Wn);TruesatelliteIFdatafilter(bf,af,TruesatelliteIFdata);这个设计在教学场景中完全合理——简单、直观、易于理解。但如果你稍微深入思考一下就会发现几个值得玩味的问题问题低通滤波器的回答卡尔曼滤波器的回答“滤除”的是什么高频噪声和残余载波噪声、多普勒漂移、码相位误差——同时处理截止频率怎么选凭经验如2MHz由系统模型和噪声统计特性自动优化信号变了怎么办重新设计滤波器自适应调整增益卡尔曼增益我们到底在“过滤”什么频率成分状态变量载波相位、码相位、频率、频率变化率低通滤波器回答的是**“如何去掉不想要的频率”而卡尔曼滤波器回答的是“如何最优地估计我关心的状态”**。这两者之间的差距本质上是一维问题与四维问题的差距。二、为什么说卡尔曼滤波器更“对路”2.1 你真正想知道的不是“频率”而是“状态”在GPS接收机中你真正关心的不是某个频率成分的幅度而是x k [ ϕ k f k f ˙ k τ k ] 或更简洁地 x k [ 载波相位 多普勒频率 频率变化率 码相位 ] \mathbf{x}_k \begin{bmatrix} \phi_k \\ f_k \\ \dot{f}_k \\ \tau_k \end{bmatrix} \quad \text{或更简洁地} \quad \mathbf{x}_k \begin{bmatrix} \text{载波相位} \\ \text{多普勒频率} \\ \text{频率变化率} \\ \text{码相位} \end{bmatrix}xkϕkfkf˙kτk或更简洁地xk载波相位多普勒频率频率变化率码相位这是一个四维状态向量。而低通滤波器只能处理一维的幅度/频率。它的“过滤”是盲目的它不知道信号正在经历多普勒漂移也不知道码相位在变化。2.2 卡尔曼滤波器天生就是为动态系统设计的卡尔曼滤波器的核心假设是系统状态服从一个线性动态模型x k 1 F k x k w k \mathbf{x}_{k1} \mathbf{F}_k \mathbf{x}_k \mathbf{w}_kxk1Fkxkwk对于GPS信号跟踪这个模型非常自然% 状态转移矩阵载波环 码环% 状态: [相位, 频率, 频率变化率, 码相位]F[1,T,T^2/2,0;0,1,T,0;0,0,1,0;0,-T/λ,-T^2/(2λ),1];% λ为载波波长与码片长度之比这个模型描述了载波频率变化如何影响码相位以及频率变化率如何影响频率——这是物理世界的真实因果关系。低通滤波器对此一无所知。2.3 观测量与状态量的天然桥梁GPS接收机的观测量是相关器输出即时、早、晚码相关值它们与状态量之间存在明确的数学关系I k A ⋅ R ( τ k ) ⋅ cos ( ϕ k ) n I I_k A \cdot R(\tau_k) \cdot \cos(\phi_k) n_IIkA⋅R(τk)⋅cos(ϕk)nIQ k A ⋅ R ( τ k ) ⋅ sin ( ϕ k ) n Q Q_k A \cdot R(\tau_k) \cdot \sin(\phi_k) n_QQkA⋅R(τk)⋅sin(ϕk)nQ其中R ( τ ) R(\tau)R(τ)是C/A码的自相关函数ϕ k \phi_kϕk是载波相位τ k \tau_kτk是码相位误差。卡尔曼滤波器的观测模型$ \mathbf{z}_k \mathbf{H}_k \mathbf{x}_k \mathbf{v}_k $ 天然适配这种非线性关系扩展卡尔曼滤波EKF可处理。低通滤波器则完全无法利用这种“观测量-状态量”的映射关系。三、一个具体的对比场景假设你正在处理一个高动态场景例如车载GPS接收机加速度10 g 10g10g加加速度10 g / s 10g/s10g/s。场景设定参数值初始多普勒频率1500 Hz多普勒变化率500 Hz/s信噪比15 dB-Hz相干积分时间1 ms低通滤波器的表现% 固定截止频率的低通滤波器Wn2e6/fsamp;% 2MHz凭经验设定[bf,af]butter(4,Wn);filteredfilter(bf,af,signal);问题如果多普勒变化率超过滤波器的群延迟跟踪能力相位误差会累积。滤波器对动态变化无感知能力它只是“被动地”衰减高频成分。当信号频率漂移时低通滤波器的输出幅度会衰减导致相关峰变矮。卡尔曼滤波器的表现% 状态向量: [载波相位, 多普勒频率, 频率变化率, 码相位]% 状态转移矩阵 F 包含对加速度的先验建模% 卡尔曼增益 K_k 会根据信噪比和动态性自适应调整fork1:N% 预测x_predF*x_est;P_predF*P_est*FQ;% 更新基于相关器输出KP_pred*H/(H*P_pred*HR);x_estx_predK*(z_k-H*x_pred);P_est(I-K*H)*P_pred;end优势自适应增益卡尔曼增益K k K_kKk会根据信噪比自动调整——高信噪比时相信观测量低信噪比时相信预测值。动态建模状态转移矩阵F \mathbf{F}F包含了频率变化率的物理模型能够预测多普勒的变化趋势。信息融合同时处理载波环和码环的观测形成矢量跟踪Vector Tracking的基础。一个数值对比指标4阶Butterworth LPF卡尔曼滤波器EKF稳态相位误差静态~0.2 rad~0.05 rad稳态相位误差动态500 H z / s 500Hz/s500Hz/s~0.8 rad发散~0.08 rad锁定对C / N 0 C/N_0C/N0变化的适应性无固定参数自适应可同时跟踪的状态量1维幅度4维相位/频率/变化率/码相位四、为什么教学场景中仍使用低通滤波器既然卡尔曼滤波器效果更好为什么大多数教学代码中仍然使用低通滤波器合理的理由教学梯度低通滤波器是信号处理的基础概念学生更容易理解“滤除高频分量”这一物理直觉。代码简洁低通滤波器只需3-5行代码而卡尔曼滤波器需要数十行含矩阵运算。收敛性问题卡尔曼滤波器需要精心调参Q \mathbf{Q}Q和R \mathbf{R}R矩阵参数不当会导致发散。低通滤波器则“开了就能用”。计算资源低通滤波器的计算量远小于矩阵求逆运算。一个“升级”建议如果你正在设计一个教学演示系统低通滤波器是合适的选择。如果你正在设计一个实际接收机尤其是高动态或弱信号场景强烈建议用卡尔曼滤波器替换低通滤波器。如果你正在撰写论文或研究报告可以这样表述“本研究中低通滤波器主要用于教学验证和算法原型开发。在实际工程应用中建议采用扩展卡尔曼滤波器EKF或无迹卡尔曼滤波器UKF替代以提升对动态多普勒和码相位变化的跟踪精度与鲁棒性。”五、一个简化的卡尔曼滤波替代方案思路示意以下代码仅供示意展示卡尔曼滤波器替换低通滤波器的基本思路不包含完整矩阵定义具体参数需根据系统调优% 卡尔曼滤波器替代低通滤波器的示意结构 % 状态: [载波相位, 多普勒频率, 频率变化率, 码相位误差]% 1. 初始化x[0;0;0;0];% 初始状态估计Peye(4)*100;% 初始协方差% 2. 状态转移矩阵 F需根据物理模型定义% F [1, T, T^2/2, 0; ...]% 3. 观测矩阵 H将状态映射到相关器输出% H [1, 0, 0, 0; 0, 0, 0, 1] % 简化示意% 4. 主循环逐ms处理fork1:num_ms% --- 预测 ---x_predF*x;P_predF*P*FQ;% --- 获取观测值相关器输出 ---z[I_k;Q_k];% 即时支路相关值% --- 更新 ---KP_pred*H/(H*P_pred*HR);xx_predK*(z-H*x_pred);P(eye(4)-K*H)*P_pred;% --- 输出估计的状态替代滤波后的信号 ---estimated_phasex(1);estimated_dopplerx(2);estimated_code_phasex(4);end核心差异在于低通滤波器输出的是“滤波后的信号样本”而卡尔曼滤波器输出的是“对信号状态的估计值”。后者直接给出了你真正关心的物理量。六、结语低通滤波器和卡尔曼滤波器在GPS信号处理中的角色差异本质上反映了两种不同的工程思维低通滤波器卡尔曼滤波器思维模式“我要滤掉什么”“我要估计什么”处理对象信号本身信号的状态核心能力频率选择状态估计 预测 融合适用场景稳态、低动态动态、高精度、多传感器融合低通滤波器是一个工具卡尔曼滤波器是一个框架。前者解决“如何去除噪声”后者解决“如何在噪声中估计状态”。在后续的博客中我们将继续使用低通滤波器作为教学工具。但请记住当你真正需要高精度GPS定位时卡尔曼滤波器及其变体才是你值得投入的方向。间章 完
