1. 为什么 GNSS 里会关心 SRIF
GNSS 定位本质上是一个状态估计问题。位置、速度、接收机钟差、对流层延迟、载波相位模糊度，都可以放进状态向量；伪距、载波相位、多普勒这些观测，则不断给状态增加约束。滤波器要做的事情，就是在先验模型和观测信息之间做一个合理的折中。
如果只是做一个单站定位，状态维度通常不算大，用常规 Kalman Filter 或者它的平方根版本，大多数时候已经够用。比如嵌入式 GNSS 接收机里，算力和内存都比较紧张，滤波器设计的重点往往是稳定、直接、好调试。SRKF 或者 UDKF 在这类场景里就很常见。
但如果问题规模继续往上走，情况就会变得不太一样。比如 PPP 软件里引入更多频点、更多系统、更多状态参数，再进一步考虑多源融合、滑动窗口、甚至多站联合处理，状态维度和观测数量都会明显增加。这时候矩阵结构、数值稳定性和计算代价同样重要。
SRIF 值得关注，正是因为它同时踩中了这几个点。
平方根滤波的基本想法很朴素：不直接维护协方差矩阵或信息矩阵，而是维护它们的平方根因子。这样做的好处是数值上更稳，矩阵正定性更容易保持，也更适合用 QR 分解这类稳定的数值方法来更新系统。
SRIF 更进一步，它站在信息矩阵这一侧看问题。相比协方差矩阵，信息矩阵更容易保留 GNSS 观测中的稀疏结构。简单说，观测只会连接少数几个相关状态，而不是一下子把所有状态都混在一起。这个特点在小规模滤波里不一定显眼，但在大规模 GNSS 估计问题里会越来越重要。
所以这篇文章不打算把 SRIF 讲成一个纯数学概念，而是从 GNSS 软件实现的角度，重点整理几个工程上绕不开的问题：SRIF 和 SRKF 到底差在哪，分别适合什么场景，信息矩阵和协因数阵是什么关系，以及稀疏矩阵背后的图连通性该怎么理解。
2. 从 KF 到 SRKF：协方差视角
先从更熟悉的 Kalman Filter 说起。
标准 Kalman Filter 维护两个核心量：一个是状态估计，另一个是状态误差协方差：
这里的 描述的是状态估计误差的不确定性。对 GNSS 来说，它可以告诉我们位置、钟差、对流层、模糊度这些状态分别有多不确定，彼此之间又有什么相关性。
SRKF，也就是 Square Root Kalman Filter，并不直接维护 ，而是维护它的一个平方根因子。例如：
也可以采用其他分解形式，比如上三角因子或 UD 分解。具体选哪一种，和软件实现、矩阵库、数值习惯都有关系，但核心思想是一致的：不要直接在协方差矩阵上做更新，而是在它的因子上做更新。
这么做的好处很实际。普通 Kalman Filter 在有限精度计算下，协方差矩阵可能会慢慢失去对称性，甚至出现不再正定的问题。状态维度小的时候，这类问题不一定频繁暴露；但在长时间运行、弱观测、强相关状态较多的时候，就会比较烦。SRKF 通过平方根形式更新，数值稳定性更好，也更容易保持协方差的正定性。
从工程使用上看，SRKF 和传统 KF 的思路很接近，预测、更新、输出精度指标都比较直观。如果我们关心的是实时定位结果，以及每个状态的标准差、协方差、相关系数，那么协方差形式天然就很顺手。
所以在单站 RTK、实时 PPP、GNSS/INS 组合导航这些场景里，SRKF 是一个很自然的选择。状态规模不大，实时性要求强，还经常需要输出精度信息，这些都刚好是 SRKF 擅长的地方。
3. 从 IF 到 SRIF：信息视角
SRIF 的出发点不一样，它不是从协方差矩阵这一侧看问题，而是从信息矩阵这一侧看问题。
信息滤波器维护的是信息矩阵和信息向量：
其中 是协方差矩阵的逆。协方差矩阵表达的是“不确定性有多大”，信息矩阵表达的则是“约束有多强”。这两个说法看起来只是正反两面，但落到矩阵结构上，差别会非常明显。
SRIF，也就是 Square Root Information Filter，维护的是信息矩阵的平方根因子：
这里的 通常是一个三角因子。观测更新时，可以把先验信息和新观测方程堆叠起来，然后通过 QR 分解得到新的信息因子。最后需要状态解的时候，再通过三角回代求出 。
这个过程和加权最小二乘非常像。甚至可以说，SRIF 更像是把最小二乘的 QR 分解写成了递推滤波形式。也正因为如此，它和批处理平差、滑动窗口估计、因子图优化之间的关系会更近。
在 GNSS 里，这个视角很有用。很多观测并不会同时约束所有状态，而是只和少数状态有关。比如某一颗卫星在某一个历元的载波相位观测，通常只会连接接收机状态、卫星相关改正、对流层参数和对应的模糊度。变量很多，但单条观测涉及的变量并不多，这就是典型的稀疏结构。
SRIF 的优势就在这里：它不仅是“平方根形式更稳定”，还可以更自然地利用信息矩阵里的稀疏性。
4. SRIF 和 SRKF 到底差在哪
SRKF 和 SRIF 名字都带 Square Root，容易让人觉得它们只是同一类方法的两个变体。但真正的差别不在“平方根”，而在“协方差形式”和“信息形式”。
SRKF 维护的是协方差的平方根。它关心的是状态误差怎么传播，也就是“我现在还不确定多少”。预测时，过程噪声会让不确定性变大；更新时，观测会让不确定性变小。这套逻辑和传统 Kalman Filter 完全一致，只是数值实现更稳。
SRIF 维护的是信息矩阵的平方根。它关心的是约束信息怎么累积，也就是“我已经被哪些观测约束住了”。新的观测进来，相当于给状态系统增加一组新的约束；旧状态被边缘化，相当于在信息矩阵里做一次变量消元。
工程上，两者的手感也不一样。
SRKF 更容易直接拿到协方差。定位软件里如果需要频繁输出状态标准差、位置协方差、DOP 相关指标，协方差形式会比较方便。SRIF 则更容易和稀疏矩阵、QR 分解、变量消元这些东西结合起来。它对大规模问题更友好，但如果你想拿完整协方差，反而需要额外计算。
可以粗略地说，SRKF 更像传统实时滤波的稳定版本，SRIF 更像递推版的加权最小二乘或者因子图求解器。这个类比不完全严格，但对理解它们在软件里的定位很有帮助。
5. SRIF 和 SRKF 分别适合什么场景
如果只看理论，SRKF 和 SRIF 都能处理滤波问题。但到了工程实现里，适用场景还是有明显差异。
SRKF 更适合状态维度中小、实时性强、需要频繁输出协方差的场景。比如单站 PPP、RTK、GNSS/INS 组合导航，这些问题的状态规模通常可控，而且软件经常要给外部模块提供位置精度、速度精度、姿态精度等结果。此时协方差形式很直接，调试也比较方便。
SRIF 更适合状态维度较大、观测约束比较局部、希望利用稀疏矩阵的场景。比如多站网络解算、滑动窗口估计、后处理平滑，或者未来要把 GNSS 和更多传感器、更多先验约束放到一个统一估计框架里。变量一多，矩阵结构就很重要。如果还用稠密协方差去硬算，很容易把计算量和内存都推上去。
当然，这里不是说 SRKF 只能做小问题，SRIF 只能做大问题。真正的选择还要看状态设计、观测模型、边缘化策略、矩阵库能力，以及你到底需要输出哪些结果。
但作为一个经验判断，可以先这么记：小而实时，用 SRKF 很顺手；大而稀疏，用 SRIF 更舒服。
6. 信息矩阵和协因数阵不是一回事
讨论 SRIF 时，很容易把信息矩阵、协方差矩阵、协因数阵混在一起。尤其 GNSS 和测量平差领域经常会说“协因数阵”，但它和信息矩阵不是一个东西。
先看协方差矩阵：
它表示状态估计误差的不确定性。对角线元素是各个状态的方差，非对角线元素是状态误差之间的协方差。
再看协因数阵：
它常见于测量平差里，通常和单位权方差一起出现：
也就是说， 更多描述的是设计矩阵、权阵、观测几何带来的结构；乘上单位权方差 之后，才得到实际意义上的协方差矩阵 。
信息矩阵则是另一侧：
它是协方差矩阵的逆，表示约束强度。如果协方差大，说明不确定性大，信息就少；如果协方差小，说明约束强，信息就多。
所以直观上，协方差矩阵和协因数阵更像是在描述“误差有多大、误差之间怎么相关”；信息矩阵更像是在描述“变量之间被哪些观测绑在一起、约束强度有多大”。
这点对理解 SRIF 很关键。SRIF 的稀疏性主要体现在信息矩阵这一侧，而不是协方差这一侧。很多情况下，信息矩阵可以很稀疏，但它的逆，也就是协方差矩阵，可能已经比较稠密了。
7. 稀疏矩阵和图连通性：为什么 SRIF 适合大问题
信息矩阵的稀疏性，可以用图来理解。
把每个状态变量看成图里的节点。如果两个变量同时出现在某个观测方程里，它们之间就存在一条边。反映到信息矩阵里，通常就是对应位置出现一个非零块。
GNSS 观测很适合这种图模型的理解方式。一个伪距或载波观测，可能会连接接收机位置、接收机钟差、卫星钟差改正、对流层参数、模糊度参数。但它不会连接系统里的所有状态。换句话说，每条观测只是在大图里加了一小块局部连接。
当观测很多、状态很多时，这些局部连接会组成一个很大的稀疏图。图的连通性可以告诉我们很多事情：哪些变量被共同约束，哪些变量其实属于独立子问题，哪些地方连接太弱，可能导致病态或者不可观。
这也是为什么信息矩阵比协方差矩阵更适合表达这类结构。信息矩阵里的非零块，基本对应变量之间的直接约束关系；协方差矩阵里的相关性则可能是间接传播出来的，往往更容易变稠密。
不过，稀疏不等于自动高效。SRIF 里做 QR 分解或变量消元时，可能会产生填充。图上看，就是消掉一个节点后，它的邻居之间可能被连成一团。消元顺序选得不好，本来很稀疏的问题也可能变得很重。
所以 SRIF 想跑得快，变量排序很关键。哪些状态先消，哪些状态后消，哪些状态保留在窗口里，本质上都是在管理这张图的结构。
8. 回到开头：什么时候该认真考虑 SRIF
最后回到一开始的问题：什么时候该认真考虑 SRIF？
如果只是单站实时定位，状态维度不大，软件也需要频繁输出协方差，那 SRKF 或者传统 KF 已经很好用。尤其在嵌入式 GNSS 里，简单、稳定、可控，本身就是很重要的工程优势。
但如果问题开始变成多系统、多频点、多历元、多状态，或者要处理大量模糊度参数、滑动窗口、后处理平滑、多站联合估计，那 SRIF 就值得认真考虑了。
它的优势不只是“平方根形式更稳定”，更重要的是它能把 GNSS 问题里的稀疏约束结构用起来。对大规模估计问题来说，这往往比单纯换一个滤波公式更重要。
这也是 SRIF 和现代因子图优化关系很近的原因。二者背后都在处理同一件事：把观测写成约束，把变量组织成图，然后用稳定的矩阵分解方法求解。
