【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】

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Wn=2*1e6/fsamp;% 截止频率 2MHz[bf,af]=butter(4,Wn);TruesatelliteIFdata=filter(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：

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}xk​=​ϕk​fk​f˙​k​τk​​​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}_{k+1} = \mathbf{F}_k \mathbf{x}_k + \mathbf{w}_kxk+1​=Fk​xk​+wk​

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_IIk​=A⋅R(τk​)⋅cos(ϕk​)+nI​

Q k = A ⋅ R ( τ k ) ⋅ sin ⁡ ( ϕ k ) + n Q Q_k = A \cdot R(\tau_k) \cdot \sin(\phi_k) + n_QQk​=A⋅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

低通滤波器的表现

% 固定截止频率的低通滤波器Wn=2e6/fsamp;% 2MHz，凭经验设定[bf,af]=butter(4,Wn);filtered=filter(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fork=1:N% 预测x_pred=F*x_est;P_pred=F*P_est*F'+Q;% 更新（基于相关器输出）K=P_pred*H'/(H*P_pred*H'+R);x_est=x_pred+K*(z_k-H*x_pred);P_est=(I-K*H)*P_pred;end

优势：

1. 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。
2. 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。
3. 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

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

1. 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。
2. 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）。
3. 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”。
4. 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P=eye(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fork=1:num_ms% --- 预测 ---x_pred=F*x;P_pred=F*P*F'+Q;% --- 获取观测值（相关器输出） ---z=[I_k;Q_k];% 即时支路相关值% --- 更新 ---K=P_pred*H'/(H*P_pred*H'+R);x=x_pred+K*(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_phase=x(1);estimated_doppler=x(2);estimated_code_phase=x(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）