非线性最小二乘与无源定位：从夹角观测到无人机轨迹估计

1. 项目概述：从一道赛题到一套方法论

去年带学生打数模，B题“夹角观测条件下无人机无源定位”这道题给我留下了挺深的印象。它不像一些纯理论推导题那么“飘”，也不像一些数据处理题那么“糙”，而是把一个非常典型的工程问题——如何仅凭角度信息给一个移动目标“画”出它的运动轨迹——抽象成了一个精巧的数学模型。说白了，就是假设我们手头有几个只能测角度的观测站（比如被动雷达、声学阵列或者视觉传感器），它们动不了，但天上有个无人机在飞。我们不知道无人机在哪，只知道从每个观测站看过去，无人机和自己的连线与某个参考方向（比如正北）之间的夹角。题目就给了这么一堆随时间变化的夹角数据，要求我们反推出无人机每一刻的位置，甚至预测它未来的路径。

这问题听起来就很有“实战”味儿。在现实里，主动发射信号的雷达容易暴露自己，而无源定位靠“听”或者“看”别人的信号来定位，隐蔽性好，在电子侦察、野生动物追踪、甚至某些民用导航领域都有应用。题目给的“夹角观测”条件，算是无源定位里比较经典但也颇具挑战性的一种。挑战在哪呢？第一，信息量少。只有一个角度，没有距离，光靠一个站是定不出位置的，必须多个站协同。第二，非线性。角度和位置坐标之间的关系不是简单的加减乘除，是三角函数，这就导致了后续的求解方程是个非线性系统，处理起来比线性问题麻烦得多。第三，有误差。实测数据不可能完美，观测站自身的位置标定有误差，测角也有误差，这些误差在非线性模型里会被放大，怎么抗干扰、提精度，才是真正考验模型和算法的地方。

所以，复盘这道题，绝不仅仅是把答案再算一遍。我更想聊的是，面对这样一个有明确工程背景的数学建模问题，我们怎么一步步拆解，从问题分析、模型建立、算法选择到结果分析，形成一套可复用的解题框架。尤其是“非线性最小二乘”这个核心工具，很多人知道用它，但未必清楚为什么在这里必须用它，以及怎么把它用好、调稳。接下来，我就结合当时的解题思路和后续的一些思考，把这道题的“里子”和“面子”都摊开来聊聊，希望能给以后遇到类似问题的朋友一些实在的参考。

2. 核心思路拆解：如何把“测角”问题转化为数学问题

拿到题目，第一步不是急着建模型，而是要把题目描述的场景用数学语言清晰地定义出来。这一步梳理清楚了，后面的工作就顺了。

2.1 问题场景的数学抽象

我们先建立一个二维平面直角坐标系（题目通常是二维的，三维原理类似但更复杂）。假设有N个观测站，它们的坐标是已知的，记为(x_i, y_i)，其中i = 1, 2, ..., N。有一个无人机（目标）在运动，它在t时刻的位置是未知的，记为(X(t), Y(t))。

“夹角观测”是什么意思？通常，这个夹角指的是目标相对于观测站的方位角（Bearing Angle），即从观测站指向目标的连线，与某个固定参考方向（比如正北方向，或坐标系的x轴正方向）之间的夹角，记为θ_i(t)。这个角度是我们可以从观测站测量得到的数据。

根据几何关系，这个角度满足以下公式：θ_i(t) = arctan2( Y(t) - y_i, X(t) - x_i )这里arctan2是四象限反正切函数，它比普通的arctan更能准确反映角度所在的象限，直接输出一个介于-π到π（或0到2π）之间的角度。这个公式就是最基本的观测方程，它建立了未知量（目标位置）与观测量（夹角）之间的数学关系。

一个关键点：这个方程对于单个观测站和单个时刻是成立的，但一个方程含有两个未知数（X,Y），显然无法求解。所以，无源定位必须依靠多个观测站（N ≥ 2）或者单个观测站的多时刻观测（结合目标运动模型）。题目通常提供多个观测站同时刻的观测数据，这正是利用空间信息进行定位。

2.2 从几何关系到误差函数的构建

有了多个观测站的方程，理论上我们可以列出方程组：

θ_1(t) = arctan2( Y(t) - y_1, X(t) - x_1 ) θ_2(t) = arctan2( Y(t) - y_2, X(t) - x_2 ) ... θ_N(t) = arctan2( Y(t) - y_N, X(t) - x_N )

对于每个时刻t，我们想求解出(X(t), Y(t))。但由于arctan2函数的存在，这是一个非线性方程组，直接求解解析解非常困难，尤其是当N > 2时，通常没有简单的封闭解。

更实际且强大的思路是将其转化为一个优化问题。核心思想是：我们寻找一个目标位置(X, Y)，使得根据这个位置计算出来的理论夹角，与实际观测到的夹角之间的总体误差最小。

这就引出了误差函数（也叫残差函数）的定义。对于第i个观测站，在t时刻的观测残差为：r_i(X, Y) = θ_i^{obs}(t) - arctan2( Y - y_i, X - x_i )这里θ_i^{obs}(t)是实际观测值。需要注意的是角度差的计算，因为角度是周期性的（比如 359° 和 1° 实际上只差 2°），所以在计算残差时，通常需要将其归一化到[-π, π)区间，避免跨周期带来的巨大误差。一个稳健的做法是：r_i = mod( (θ_obs - θ_calc) + π, 2π ) - π其中mod是取模运算，θ_calc是计算值。

我们的目标是让所有观测站的残差尽可能小。最常用的准则就是最小二乘准则，即最小化所有残差的平方和。因此，定义目标函数（代价函数）为：F(X, Y) = Σ_{i=1}^{N} [ r_i(X, Y) ]^2这里假设各个观测站的权重相同。如果知道某些观测站精度更高，可以引入权重系数w_i，目标函数变为Σ w_i * r_i^2。

至此，我们成功地将“根据夹角求位置”的定位问题，转化为了一个数学上的非线性最小二乘优化问题：寻找(X, Y)，使得目标函数F(X, Y)的值最小。

2.3 为什么是非线性最小二乘？

这是一个值得深入理解的节点。有人可能会问，能不能用解析几何的方法，比如利用两条射线的交点来定位？对于两个观测站，理论上可以。两条方位线相交即可确定目标位置，这就是经典的“三角定位”或“交叉定位”。但这里有几个大问题：

1. 误差放大：当目标距离观测站很远，或者两个观测站与目标的夹角很小时，两条方位线的交点对角度误差极其敏感，一个微小的测角误差会导致交点位置（定位结果）发生巨大的偏移，这在几何上称为“定位模糊区”或“几何稀释精度（GDOP）恶化”。
2. 无法处理多站数据：当观测站数量多于两个时，由于误差的存在，多条方位线不会交于一点，形成一个“误差三角形”或更复杂的多边形。解析的交叉定位法无法直接利用所有信息。
3. 无法融入统计特性：最小二乘法的本质是一种最大似然估计（在观测噪声为高斯白噪声的假设下）。它不仅能给出一个最优估计值，其求解过程（如高斯-牛顿法）的副产品（海森矩阵或近似海森矩阵的逆）还可以用于评估估计值的协方差矩阵，从而定量分析定位精度、误差椭圆等，这是纯几何方法做不到的。

因此，采用非线性最小二乘框架，是处理多站、带噪、非线性观测数据的标准且强有力的方法。它以一种统一的方式，优雅地解决了多信息融合和抗误差干扰的问题。

3. 模型求解核心：非线性最小二乘算法实战

问题转化成了优化问题，接下来就是怎么求解。对于非线性最小二乘，我们有多种武器，需要根据问题特点选择。

3.1 算法选型：高斯-牛顿法 vs. 列文伯格-马夸尔特法

目标函数F(X, Y)是关于(X, Y)的非线性函数。我们需要迭代算法来寻找它的最小值点。

高斯-牛顿法是专门为最小二乘问题设计的牛顿法变种。它的思想是对残差函数r_i(X, Y)进行一阶泰勒展开，将非线性问题在当前迭代点附近局部线性化。

设当前迭代点为β_k = [X_k, Y_k]^T，残差向量为r(β) = [r_1, r_2, ..., r_N]^T，目标函数F(β) = r(β)^T r(β)。对r(β)在β_k处泰勒展开：r(β) ≈ r(β_k) + J(β_k) * (β - β_k)其中J是残差向量r的雅可比矩阵，大小为N × 2。它的每一行就是对应残差r_i关于参数[X, Y]的梯度：J_i = [ ∂r_i/∂X, ∂r_i/∂Y ]而∂r_i/∂X = (Y - y_i) / d_i^2,∂r_i/∂Y = -(X - x_i) / d_i^2，这里d_i = sqrt((X-x_i)^2 + (Y-y_i)^2)是目标到观测站的距离。注意这里求导时考虑了arctan2的导数形式，并忽略了常数因子（因为会在后续计算中约去），最终得到简洁的几何形式。

将线性化后的r代入目标函数，得到一个关于步长p = β - β_k的二次函数。最小化这个二次函数，得到高斯-牛顿法的迭代步长公式：(J^T J) p_gn = -J^T r求解这个线性方程组得到p_gn，然后更新参数：β_{k+1} = β_k + p_gn。

高斯-牛顿法在残差很小、且当前估计接近真值时，收敛速度非常快（二阶收敛速率）。但它有个致命缺点：当残差较大，或者初始值离真值太远时，近似海森矩阵J^T J可能不是正定的，导致算法不稳定，步长可能过大而发散。

列文伯格-马夸尔特法正是为了解决这个问题而生的。它被认为是高斯-牛顿法和最速下降法的混合体。LM算法引入了一个阻尼因子λ，将迭代方程修改为：(J^T J + λ I) p_lm = -J^T r其中I是单位矩阵。

• 当λ很大时，J^T J项可忽略，方程变为λ I p ≈ -J^T r，即p ≈ (-1/λ) J^T r，这近似于最速下降法的步长（负梯度方向）。最速下降法步长小，稳定性好，但收敛慢。
• 当λ很小时，方程退化为高斯-牛顿方程，收敛快。

LM算法在每次迭代中动态调整λ：如果本次迭代使得目标函数下降，就减小λ，更信任高斯-牛顿方向，加快收敛；如果目标函数没有下降，就增大λ，更接近最速下降方向，缩小步长，保证稳定性。

在实际解题中的选择：对于这道无人机定位题，观测数据通常含有噪声，且我们给的初始猜测值可能偏离较远（比如简单地取所有观测站坐标的平均值作为初始值），因此列文伯格-马夸尔特法（LM算法）的鲁棒性远高于高斯-牛顿法。在MATLAB中，lsqnonlin函数默认使用LM算法；在Python的SciPy库中，scipy.optimize.least_squares方法默认使用的也是LM算法的变种（称为‘trf’或‘lm’）。所以，无脑选LM算法作为求解器，是稳妥且高效的做法。

3.2 关键步骤与代码实现要点

下面以Python (SciPy) 为例，说明实现的关键步骤。

步骤一：定义残差函数这是最核心的一步。函数输入是待估参数（当前猜测的目标位置params = [X, Y]），输出是所有观测站在该位置下的残差向量。

import numpy as np from scipy.optimize import least_squares def residual_function(params, stations, observed_angles): """ 计算残差向量。 params: 列表或数组 [X, Y]，当前估计的目标位置。 stations: 二维数组，形状为 (N, 2)，每一行是一个观测站的 [x_i, y_i]。 observed_angles: 一维数组，长度为 N，对应每个观测站的实测夹角（弧度制）。 """ X, Y = params residuals = [] for (x_i, y_i), theta_obs in zip(stations, observed_angles): # 计算理论夹角 theta_calc = np.arctan2(Y - y_i, X - x_i) # 计算角度差，并归一化到 [-pi, pi) angle_diff = theta_obs - theta_calc angle_diff = (angle_diff + np.pi) % (2 * np.pi) - np.pi residuals.append(angle_diff) return np.array(residuals)

步骤二：提供初始猜测值一个好的初始值能大大加快收敛速度，避免陷入局部极小。一个简单有效的策略是使用最小二乘交点法的粗略解。对于两两观测站，可以计算其方位线的交点，然后对所有交点取平均或中位数。更简单的方法是取所有观测站坐标的几何中心，或者根据角度大致画一个范围，取其中点。在比赛中，如果时间紧，直接用观测站坐标的均值[np.mean(stations[:,0]), np.mean(stations[:,1])]作为初值，LM算法通常也能收敛。

步骤三：调用优化器求解

# 假设已有数据 stations = np.array([[0, 0], [10, 0], [5, 10]]) # 三个观测站坐标 observed_angles = np.array([0.5, 1.2, 2.0]) # 对应夹角，单位弧度 # 初始猜测 initial_guess = np.mean(stations, axis=0) # 观测站中心 # 使用最小二乘求解（默认使用LM算法的变种‘trf’） result = least_squares(residual_function, initial_guess, args=(stations, observed_angles)) # 或者显式指定方法为 ‘lm’ (Levenberg-Marquardt) # result = least_squares(residual_function, initial_guess, args=(stations, observed_angles), method='lm') if result.success: estimated_position = result.x print(f"估计的目标位置: ({estimated_position[0]:.2f}, {estimated_position[1]:.2f})") print(f"残差平方和: {result.cost:.6f}") # result.jac 是最后一次迭代的雅可比矩阵，可用于近似计算协方差 # 协方差矩阵 Cov ≈ (J^T J)^{-1} * (残差方差) residuals_at_solution = result.fun # 计算残差的标准差（假设无偏估计，自由度为 N-2） sigma2 = np.sum(residuals_at_solution**2) / (len(observed_angles) - 2) # 近似海森矩阵的逆 J = result.jac hess_inv = np.linalg.inv(J.T @ J) covariance_matrix = sigma2 * hess_inv print(f"估计位置的近似协方差矩阵:\n{covariance_matrix}") else: print("优化失败:", result.message)

步骤四：结果分析与可视化求解出每个时刻的位置后，就得到了无人机的轨迹。一定要做可视化：

1. 画出观测站位置。
2. 画出估计出的无人机轨迹点。
3. 可以画出每个时刻的“误差椭圆”。误差椭圆由该时刻位置估计的协方差矩阵决定，它直观地反映了定位精度在各个方向上的分布。椭圆的长轴方向表示不确定性最大的方向，通常对应于观测站几何构型最差的方向。

注意：上面计算协方差矩阵(J^T J)^{-1} * sigma2是在观测噪声相互独立且同方差、线性化近似有效的假设下进行的。它给出了Cramer-Rao下界的一个近似，对于评估精度趋势很有用，但并非严格的误差界。

4. 模型进阶与鲁棒性考量

基本的非线性最小二乘模型能解决大部分问题，但要拿高分，必须考虑得更深。题目数据往往包含“陷阱”，考验模型的鲁棒性。

4.1 观测站几何布局的影响（GDOP分析）

观测站怎么摆，对定位精度有决定性影响。这用几何稀释精度来描述。GDOP本质上描述了测距或测角误差被放大为位置误差的程度。在我们的模型中，近似的位置误差协方差矩阵P = σ_θ^2 * (J^T J)^{-1}，其中σ_θ^2是测角误差的方差。那么，位置误差的方差（在x和y方向上的和）可以表示为：σ_p^2 = trace(P) = σ_θ^2 * trace((J^T J)^{-1})定义GDOP = sqrt( trace((J^T J)^{-1}) )。那么σ_p = σ_θ * GDOP。

GDOP的物理意义：它是一个无量纲的放大因子。GDOP越大，相同的测角误差会导致越大的定位误差。GDOP完全由观测站与目标的相对几何关系决定。

• 好的几何构型：观测站围绕目标分布，且各站与目标的连线夹角较大（接近90度）。此时J^T J矩阵的条件数小，其逆也小，GDOP值小，定位精度高。
• 差的几何构型：观测站集中在一边，或者所有观测站与目标几乎共线。此时方位线交角很小，J^T J接近奇异（病态），其逆巨大，GDOP值非常大，定位结果极不可靠。

在解题报告中，如果能够对关键时刻或整个任务区域的GDOP进行计算和分析，并指出哪些时段/区域定位精度可能较差，会是一个很大的亮点。这体现了你对问题本质的深刻理解。

4.2 处理异常观测值与加权最小二乘

实际数据中可能存在“野值”，即严重偏离正常范围的错误观测角。经典的最小二乘以平方和为损失，对野值非常敏感，因为残差平方会放大大误差的影响，导致估计结果被拉偏。

解决方案一：鲁棒损失函数SciPy的least_squares函数提供了loss参数。默认是‘linear’（即标准最小二乘）。可以将其改为‘soft_l1’、‘huber’或‘cauchy’等鲁棒损失函数。这些函数对于大的残差不进行平方惩罚，而是进行某种饱和惩罚，从而抑制野值的影响。

result = least_squares(residual_function, initial_guess, args=(stations, observed_angles), loss='soft_l1', f_scale=0.1)

f_scale参数控制损失函数从二次型向线性型转变的阈值，需要根据数据尺度进行调整。使用鲁棒损失函数是一种简单有效的抗野值方法。

解决方案二：迭代重加权最小二乘这是一种更主动的方法。先进行一次标准最小二乘估计，根据残差大小给每个观测值分配一个权重（残差大的权重小），然后用加权最小二乘再次求解，迭代数次。 权重函数可以用Huber权重、Tukey双权重函数等。例如，Huber权重：w_i = 1 / max(1, |r_i| / c)其中c是一个调优常数，通常取残差中位数的1.345倍等。 在SciPy中，可以手动实现循环，或者在least_squares中结合loss和jac选项进行更精细的控制。

解决方案三：基于统计的离群点剔除先求解，计算标准化残差（残差除以其估计的标准差），将那些标准化残差超过某个阈值（如2.5或3）的观测值标记为离群点，剔除后重新拟合。这种方法比较直接，但需要注意剔除后自由度变化对协方差估计的影响。

在比赛中，如果数据质量尚可，使用loss=‘soft_l1’通常是省心且有效的选择。如果明确知道某些观测站精度更高，可以在初始残差函数中就引入固定权重。

4.3 融合时序信息：扩展卡尔曼滤波

题目如果要求“实时定位”或“预测”，或者给出的观测数据是时间序列，那么单纯对每个时刻独立进行静态定位就浪费了信息。无人机运动是有惯性的，上一时刻的位置和速度信息可以用来约束当前时刻的估计。这时就需要引入动力学模型，最经典的框架就是扩展卡尔曼滤波。

EKF将状态估计（位置、速度）和观测（夹角）在非线性框架下结合起来。它分为预测和更新两步：

1. 预测步：根据上一时刻的状态估计和运动模型（如匀速模型CV、匀加速模型CA），预测当前时刻的状态和误差协方差。x_{k|k-1} = f(x_{k-1|k-1})P_{k|k-1} = F_k P_{k-1|k-1} F_k^T + Q_k其中f是状态转移函数，F_k是其雅可比矩阵，Q_k是过程噪声协方差，表示模型的不确定性。

2. 更新步：利用当前时刻的观测值来修正预测。

   • 计算观测残差：y_k = z_k - h(x_{k|k-1})，其中h是我们的夹角观测函数。
   • 计算观测矩阵H_k（即前面残差函数的雅可比矩阵J，在预测状态处计算）。
   • 计算卡尔曼增益：K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R_k)^{-1}，其中R_k是观测噪声协方差。
   • 更新状态估计：x_{k|k} = x_{k|k-1} + K_k y_k
   • 更新误差协方差：P_{k|k} = (I - K_k H_k) P_{k|k-1}

EKF的优势在于：

• 平滑轨迹：利用运动模型，即使某时刻观测质量差，也能通过预测给出一个合理的位置估计。
• 提供速度信息：状态向量中可以包含速度，从而估计出无人机的速度。
• 实时性：计算是递推的，适合在线实时处理。
• 不确定性传播：协方差矩阵P始终伴随着状态估计，定量描述了估计的不确定性。

在解题中，如果数据是时间序列，采用EKF框架会比独立时刻定位得到更平滑、更合理的轨迹，尤其是在观测数据有间断或噪声大的情况下。实现EKF需要定义运动模型和观测模型，并合理设置过程噪声Q和观测噪声R，这部分需要一些调参经验。

5. 常见问题、调试技巧与结果分析

在实际编程求解和撰写报告时，会遇到不少坑。这里总结几个典型问题和处理技巧。

5.1 算法不收敛或收敛到错误解

这是最常见的问题。

• 症状：迭代次数爆满，残差始终很大，或者最终位置明显不合理（比如跑到无穷远或观测站包围圈之外）。
• 可能原因与对策：
  1. 初始值太差：LM算法虽然鲁棒，但初始值也不能离谱。尝试不同的初始值策略：观测站中心、通过两个观测站粗略交点、在可能的区域网格搜索一个使初始残差较小的点。
  2. 角度单位错误：务必确保所有角度计算使用弧度制。np.arctan2、np.sin、np.cos等函数默认接受弧度。如果数据给的是角度，一定要np.radians()转换。
  3. 角度周期性未处理：残差计算中必须进行(差值 + π) % 2π - π操作。忘记这一步会导致当理论角从359度跳到0度时，残差出现一个接近360度的巨大错误值，导致优化失败。
  4. 观测站共线或几何构型极差：如果所有观测站几乎在一条直线上，且目标也在这条线附近，那么问题本身是病态的，任何算法都难以得到稳定解。此时GDOP会极大。在报告中应指出这种情况，并说明定位结果不可信。
  5. 数据存在系统性偏差：比如所有观测角都有一个固定的偏移。这需要检查观测站的方向基准是否统一（都指北吗？）。可以在模型中加入一个共同的偏差角作为待估参数，但会增大问题复杂度。

调试技巧：在迭代开始时，打印初始猜测位置和对应的残差向量、目标函数值。画图！将初始猜测点、观测站、以及从观测站画出的方位线都显示出来。肉眼就能看出初始点是否合理（理想情况下，初始点应该靠近所有方位线的交汇区域）。

5.2 结果精度评估与可视化

不能只给出一个坐标点就完事。

• 定量评估：
  1. 残差分析：求解后，观察最终残差向量。它们应该近似服从均值为0的正态分布（如果噪声是高斯的话）。可以画残差的直方图或Q-Q图检验。
  2. 协方差与误差椭圆：如前所述，利用雅可比矩阵计算近似协方差，并绘制误差椭圆。椭圆的大小和形状直观反映了精度。
  3. 与参考轨迹对比：如果题目提供了部分真实位置用于验证，计算估计位置与真实位置的均方根误差或平均绝对误差。
• 定性可视化：
  1. 轨迹图：在二维平面上，画出观测站（用不同形状/颜色的点），画出估计出的无人机轨迹点（用连线连成路径）。
  2. 方位线交汇图：对于某个关键时刻，从每个观测站出发，沿观测角方向画一条射线。这些射线应该大致交汇于估计的目标位置附近。这能非常直观地展示定位原理和几何构型。
  3. 误差演变图：如果有多时刻数据，可以画出RMSE或位置误差协方差的行列式（代表误差椭圆面积）随时间变化的曲线，分析哪个阶段定位精度高/低。

5.3 对题目数据的针对性处理思路

竞赛题目数据往往有“特色”，需要灵活调整模型。

• 数据分段：如果无人机轨迹运动模式发生变化（比如从直线飞行变为盘旋），可以考虑分段建模，对不同段使用不同的运动模型（EKF中）或不同的过程噪声参数。
• 观测站数量变化：如果题目中某些时刻部分观测站失效，那么在构建该时刻的残差函数时，只使用有效的观测站即可。在EKF中，对应时刻的观测矩阵H_k的行数也会减少。
• 非同步观测：如果各观测站数据时间戳不完全同步，则需要先进行时间对齐（插值）到统一的时间网格上，再进行处理。这本身就是一个预处理难点。
• 三维扩展：如果题目是三维空间，原理完全一样。观测角可能包含方位角（azimuth）和俯仰角（elevation）。残差函数变为两个角度差，参数变为[X, Y, Z]，雅可比矩阵变为N×3。GDOP分析也扩展到三维。

5.4 一份优秀解题报告应包含的要点

基于以上所有内容，一份能拿高分的数模论文或报告，其“模型求解”部分应该层次分明地展现：

1. 模型建立：清晰定义坐标系、变量，给出观测方程，推导出非线性最小二乘的目标函数。
2. 算法描述：说明为什么选用LM算法，简述其原理和相对于高斯-牛顿法的优势。给出迭代公式。
3. 实现细节：说明如何处理角度周期性、如何设置初始值、是否使用鲁棒损失函数。
4. 结果展示：提供关键时刻的定位结果表格、整个轨迹图、误差分析（如RMSE）。
5. 深入分析：进行GDOP分析，指出几何构型好的区域和差的区域。讨论模型对测角误差的敏感性（可以做一个简单的蒙特卡洛仿真：给观测角加随机噪声，多次求解，统计位置误差的分布）。
6. 模型扩展：提及或实现EKF方法，对比其与静态定位的结果，展示平滑效果和速度估计。讨论加权最小二乘、异常值处理等鲁棒性措施。
7. 优缺点评价：客观评价所建模型的优点（如原理清晰、抗噪能力强），并指出其局限性（如依赖观测站几何、对初始值敏感、假设噪声分布等），以及可能的改进方向。

这道“夹角观测条件下无人机无源定位”题，就像一座连接理论数学和工程实践的桥梁。它考察的绝不仅仅是套公式编程，而是从具体问题中抽象数学模型、选择合适的数值方法、处理实际数据中的不完美、并对结果进行严谨分析和解释的完整能力链。通过这样的复盘，我们把一个赛题变成了一套可迁移的解决问题的方法论，这才是参加数模竞赛最大的收获。在实际科研或工程中遇到类似的参数估计、传感器融合问题，这套以非线性最小二乘为核心、以优化算法为工具、以统计评估为保障的思路，依然会非常有用。