01
纠偏基础
什么是轨迹纠偏？为什么需要传感器反馈？常见应用场景（AGV、机械臂、无人机）。
概念入门
02
传感器选型
编码器、IMU、激光雷达、视觉传感器的特点与适用场景。
硬件选型
03
坐标系与位姿表示
世界坐标系、机器人坐标系、欧拉角、四元数、齐次变换矩阵。
数学位姿
04
传感器数据预处理
滤波去噪（均值滤波、中值滤波、卡尔曼滤波入门）。
滤波预处理
05
传感器标定
内参标定、外参标定、手眼标定基础。
标定校准
06
时间同步
多传感器时间戳对齐、插值方法。
同步插值
07
轨迹表示方法
路径点序列、样条曲线、贝塞尔曲线。
曲线路径
08
PID控制基础
比例、积分、微分的作用，参数整定口诀。
控制PID
09
基于PID的轨迹跟踪
横向误差控制、纵向速度调节。
跟踪PID
10
前馈+反馈控制
前馈补偿原理，减少稳态误差。
前馈补偿
11
纯追踪算法
几何追踪法，适用于AGV和移动机器人。
几何AGV
12
Stanley控制法
基于前轮偏角的横向控制，适用于车辆。
车辆横向
13
模型预测控制入门
MPC基本原理，预测时域与控制时域。
MPC优化
14
LQR控制
线性二次型调节器，状态反馈最优控制。
LQR最优
15
卡尔曼滤波详解
预测与更新步骤，协方差矩阵的意义。
卡尔曼状态估计
16
扩展卡尔曼滤波
非线性系统的线性化处理，雅可比矩阵。
EKF非线性
17
无迹卡尔曼滤波
Sigma点采样，避免线性化误差。
UKF无迹
18
粒子滤波
非高斯分布下的状态估计，重采样策略。
粒子重采样
19
多传感器融合
松耦合与紧耦合，扩展卡尔曼融合框架。
融合EKF
20
IMU+编码器融合
航位推算与误差修正。
IMU编码器
21
激光雷达+IMU融合
LOAM框架简介，特征提取与匹配。
LiDARLOAM
22
视觉+IMU融合
VINS-Mono框架，视觉惯性里程计。
VINS视觉
23
GPS+IMU融合
RTK定位与惯性导航组合。
GPSRTK
24
轨迹平滑
B样条平滑、最小 jerk 轨迹优化。
平滑优化
25
避障与重规划
动态窗口法、TEB算法。
避障DWA
26
鲁棒性设计
传感器故障检测、降级策略。
鲁棒故障
27
实战案例1：AGV小车直线纠偏
编码器+IMU 直线纠偏实战。
实战AGV
28
实战案例2：机械臂末端轨迹跟踪
视觉+关节角 跟踪实战。
实战机械臂
29
实战案例3：无人机悬停与航线跟踪
GPS+IMU+光流 悬停跟踪实战。
实战无人机
30
课程总结与进阶方向
学习路径推荐、开源项目介绍。
总结进阶