最近遇到一个难题，采集了500小时的数据，可是只有大约50%的的数据可以解算，呃~，基线长度大约5公里，也算不上长基线。对这批数据进行了初步的质量分析，结果很不乐观。下边两张图是用于周跳检测时的分析残差，上边的图是观测条件良好（其实也不理想）的分析结果，下边的图是现场数据，质量差了一个数量级。
从下边的结果也可以看出，无论是观测周跳比，还是数据完整度，现场的数据已经超级糟糕了。
添加基线约束前，解算成功率大约为50.60 %
添加基线约束后，解算成功率提高为68.47 %
下边是解算结果的一个片段，每一行表示一个小时数据的解算结果，可以看出很多原来无法解算的数据，现在可以解算出结果了。当然，由于观测质量的原因ratio值都在3左右徘徊，但这已经不错了，可以部分满足需求。只要对基线进行更精确的观测，和对基线标准差进行合适的调试，相信可以得到更好的结果。
在之前的文章中写过rtklib浮点解算的原理，点击这里可查看，简要说来就是使用卡尔曼滤波，确切的说是扩展卡尔曼滤波（EKF）对移动站位置或者基线以及差分模糊度等进行估计。
而基线约束，就是在以上基础上添加一个观测值——基线长度，主要应用在基线长度已知的场景，其中姿态（航向）测量就是一个很典型的应用。这就是moving-base,基线作为一个整体在动，但是移动站始终在以基准站为球心的半径固定的球面上，如下图。
当然，无论是将基线向量还是移动站坐标作为状态，这个基线长度作为观测量时，都是一个非线性方程。
y
=
(
x
−
x
b
)
2
+
(
y
−
y
b
)
2
+
(
z
−
z
b
)
2
+
σ
y
y=\sqrt{(x-x_b)^2+(y-y_b)^2+(z-z_b)^2}+\sigma_y
y=(x−xb)2+(y−yb)2+(z−zb)2
+σy
rtklib中这一部分的实现代码在函数constbl中，其中v[index]就是观测残差，if中的部分，是将上述观测方程线性化得到观测矩阵，Rj为观测方差。
/* constraint to baseline length */
v[index]=rtk->opt.baseline[0]-bb;
if (H) {
for (i=0;i<3;i++) H[i+index*rtk->nx]=b[i]/bb;
}
Ri[index]=0.0;
Rj[index]=SQR(rtk->opt.baseline[1]);