基于卡尔曼滤波（包括EKF和UKF）作为滤波器的状态估计方法以递归的方式更新状态估计值，计算简便，非常适合实时估计的要求，但是在处理系统中强非线性特性以及考虑实际系统运行中存在的约束条件时力有不逮。基于二次型的优化估计问题可以将非线性特性和约束条件引入状态估计中，从而达到更精确的估计结果。但是由于需要处理的历史信息随着时间推移越来越多，造成计算复杂度不断变大，难以满足实时估计的要求。随着计算机硬件的发展，计算能力更强的芯片的出现使实时在线优化估计成为可能。这里主要对我们所设计的滚动时域估计的协同定位算法进行分析，使其兼顾考虑估计精度的准确性和实时在线估计计算要求。

一种方法就是构建混合式结构的算法。在AUV所携带的传感器中，惯性测量单元（inertial measurement unit，IMU）和压力深度传感器获得的姿态、深度等数据用来进行航位推算，水声通信设备用来完成主从AUV相对距离的测量。由于水声传播特性以及多AUV协作系统中AUV之间距离较远，姿态和深度数据的获取频率远远高于相对距离的获取频率。因此，通过EKF、UKF来对航位推算进行滤波，通过MHE利用相对距离测量值来校正更新航位推算所获得的位置估计。(www.daowen.com)

求解优化估计问题的核心是计算一系列线性方程组。高效求解的关键就是降低计算维数，这也正是MHE算法的优势所在。利用到达代价表征历史信息对当前估计的影响，通过滚动时域窗口长度N在每一步计算中选择最有价值的信息，降低了计算维数，限制了计算复杂度。下面从两个方面进行分析：滚动时域窗口长度的选择和在实际计算中利用系数矩阵的特殊结构来加快计算速度。