VIP20
本课程属于：018-Edge AI传感器融合与多模态推理 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

1. Edge AI传感器融合入门：IMU、视觉与定位数据协同

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
学习目标 · 课程结构 · Edge AI与传感器融合的总体概念
课程导入学习目标
02
传感器基础
IMU（加速度计 · 陀螺仪 · 磁力计）的工作原理与输出特性
传感器基础IMU
03
视觉传感器基础
摄像头模型 · 图像特征 · 光流与视觉里程计简介
视觉传感器基础摄像头模型
04
定位数据基础
GPS · UWB · Wi-Fi
定位数据基础GPS
05
传感器融合动机
单一传感器的局限性 · 多传感器互补性 · 融合带来的鲁棒性提升
传感器融合动机单一传感器的局限…
06
坐标系统与标定
IMU坐标系 · 相机坐标系 · 世界坐标系及相互转换
坐标系统标定
07
时间同步
多传感器时间戳对齐 · 硬件同步与软件同步方法
时间同步多传感器时间戳对…
08
空间同步
相机与IMU的外参标定 · 手眼标定 · 联合标定流程
空间同步IMU
09
滤波基础
贝叶斯滤波 · 卡尔曼滤波（KF）原理与一维示例
滤波基础贝叶斯滤波
10
扩展卡尔曼滤波（EKF）
非线性系统线性化 · EKF在IMU+视觉融合中的应用
EKF扩展卡尔曼滤波
11
无迹卡尔曼滤波（UKF）
UT变换 · UKF与EKF的对比及适用场景
UKF无迹卡尔曼滤波
12
粒子滤波
蒙特卡洛方法 · 重采样 · 在定位融合中的应用
粒子滤波蒙特卡洛方法
13
互补滤波
基于频域的互补滤波原理 · IMU姿态解算中的经典实现
互补滤波基于频域的互补滤…
14
因子图与图优化
因子图建模 · 非线性最小二乘 · 在视觉惯性导航中的应用
因子图图优化
15
视觉惯性里程计（VIO）
VIO系统架构 · 初始化 · 状态估计与关键帧选择
VIO视觉惯性里程计
16
视觉惯性SLAM
ORB-SLAM3 · VINS-Mono等经典系统解析
SLAM视觉惯性
17
IMU+GPS融合
松耦合与紧耦合 · 卡尔曼滤波在车辆定位中的应用
IMU+GPS融合
18
视觉+GPS融合
视觉辅助GPS · 地图匹配 · 城市峡谷场景下的鲁棒定位
GPS视觉+
19
IMU+视觉+GPS融合
多传感器融合框架 · 误差状态卡尔曼滤波（ESKF）设计
IMU+GPS
20
深度学习在传感器融合中的应用
端到端融合 · CNN/LSTM处理时序与图像数据
深度学习传感器融合
21
边缘计算基础
边缘设备（Jetson · RP2040 · STM32）性能对比
边缘计算基础Jetson
22
实时性优化
传感器数据流处理 · 多线程架构 · 低延迟融合算法设计
实时性优化传感器数据流处理
23
传感器融合开发环境
ROS/ROS2 · MATLAB/Simulink · Python工具链搭建
传感器融合开发环…ROS/ROS2
24
实战项目一
基于IMU和视觉的室内无人机姿态估计…
实战项目一IMU
25
实战项目二
基于IMU+GPS+视觉的自动驾驶车…
实战项目二IMU+GPS+
26
实战项目三
在Jetson Nano上部署轻量级…
实战项目三Jetson
27
常见问题与调试
传感器噪声 · 标定误差 · 时间不同步导致的融合发散问题
常见问题调试
28
性能评估方法
轨迹精度（ATE/RPE） · 计算资源消耗 · 鲁棒性测试
性能评估方法ATE/RPE
29
行业应用案例
AR/VR · 机器人 · 自动驾驶
行业应用案例AR/VR
30
课程总结与进阶路径
学习资源推荐 · 开源项目 · 研究方向与职业发展建议
课程总结进阶路径