VIP6

本课程属于：010-机器人多传感器融合与定位 智能机器人、自动化与智能装备工程 · 共 6 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

机器人状态估计与传感器融合

📚 共计 30 章节

什么是状态估计？为什么需要传感器融合？机器人领域的典型应用场景。

概览融合基础

概率论基础回顾

随机变量、概率密度函数、贝叶斯法则、高斯分布及其性质。

数学贝叶斯

线性代数基础回顾

向量空间、矩阵运算、特征值与特征向量、协方差矩阵。

卡尔曼滤波（KF）原理

系统模型、预测与更新步骤、卡尔曼增益推导。

卡尔曼滤波实现

一维示例（温度估计）、Python代码实现与可视化。

扩展卡尔曼滤波（EKF）

非线性系统线性化、雅可比矩阵、EKF算法流程。

EKF实战：移动机器人定位

里程计+激光雷达，Python仿真。

无迹卡尔曼滤波（UKF）

无迹变换、Sigma点选取、UKF算法流程。

UKF实战：目标跟踪

非线性系统状态估计，与EKF对比分析。

粒子滤波（PF）原理

蒙特卡洛方法、重要性采样、重采样技术。

粒子蒙特卡洛

粒子滤波实战：全局定位

kidnapped robot problem，Python实现。

传感器融合基础

传感器特性分析（噪声、偏差、故障）、数据对齐与时间同步。

惯性测量单元（IMU）

加速度计与陀螺仪原理、IMU模型、零偏与随机游走。

预积分理论、离散化实现、在因子图中的应用。

预积分因子图

全球导航卫星系统（GNSS）

GPS原理、单点定位与差分GPS、多路径效应。

视觉传感器

相机模型、针孔模型与畸变、特征点提取与匹配。

视觉里程计（VO）

2D-2D对极几何、3D-2D PnP、3D-3D ICP。

激光雷达（LiDAR）

工作原理、点云数据、特征提取（平面、角点）。

ICP匹配、NDT配准、基于图优化的激光SLAM框架。

多传感器融合框架

松耦合 vs 紧耦合、滤波 vs 优化。

因子图优化

因子图模型、非线性最小二乘求解、iSAM与iSAM2。

因子图优化

位姿图构建、闭环检测、全局优化。

图优化闭环

多传感器标定

相机-IMU标定、LiDAR-相机标定、时间戳对齐。

状态估计中的鲁棒性

M估计、随机采样一致性（RANSAC）、协方差自适应。

多传感器融合实战（一）

基于EKF的GPS+IMU组合导航，Python实现。

组合导航EKF

多传感器融合实战（二）

基于因子图的视觉-惯性SLAM（VINS-Mono原理）。

VINS视觉惯性

多传感器融合实战（三）

LiDAR-IMU融合（LIO-SAM原理）。

状态估计在自动驾驶中的应用

车辆运动模型、车道线融合、障碍物跟踪。

自动驾驶跟踪

状态估计在无人机中的应用

姿态估计、视觉惯性导航、避障。

课程总结与前沿展望

多模态融合趋势、学习型状态估计、未来挑战。