VIP20

本课程属于：009-机器人轨迹规划 机器人系统 · 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

传感器融合与轨迹优化实战

📚 共计 30 章节

传感器融合与轨迹优化的关系、应用场景（自动驾驶、无人机、机器人）、课程整体框架与学习路径。

坐标系与刚体运动基础

世界坐标系、机体坐标系、旋转矩阵、四元数、欧拉角及其相互转换。

数学基础坐标系

IMU传感器原理与建模

加速度计、陀螺仪的工作原理、测量模型、噪声特性（Allan方差）与标定方法。

视觉传感器原理与建模

单目、双目、深度相机模型、内参外参标定、特征点提取（ORB/SIFT）与匹配。

激光雷达传感器原理与建模

机械式与固态激光雷达原理、点云数据结构、噪声模型、运动畸变去除。

多传感器时空同步

硬件同步方案（PPS/GPS）、软件同步方案（插值法）、时间戳对齐与延迟补偿。

卡尔曼滤波基础

状态空间模型、线性卡尔曼滤波推导、预测与更新步骤、协方差矩阵的意义。

扩展卡尔曼滤波（EKF）

非线性系统线性化、雅可比矩阵计算、EKF在传感器融合中的应用实例。

无迹卡尔曼滤波（UKF）

UT变换原理、Sigma点选取、UKF与EKF的对比分析。

粒子滤波（PF）

蒙特卡洛方法、重要性采样、重采样策略、粒子滤波在定位中的应用。

粒子滤波定位

图优化基础

图优化理论、节点与边的定义、最小二乘问题构建、稀疏矩阵求解（Ceres/G2O）。

多传感器融合定位（EKF+图优化）

GPS/IMU/里程计融合、松耦合与紧耦合架构对比。

视觉惯性里程计（VIO）

VINS-Mono框架解析、IMU预积分、视觉与惯性残差构建。

激光惯性里程计（LIO）

LIO-SAM框架解析、点云特征提取、激光与惯性残差构建。

多传感器融合建图

占据栅格地图、TSDF地图、ESDF地图的构建与更新策略。

轨迹优化基础

轨迹表示方法（多项式、B样条）、平滑性度量、动力学可行性约束。

最小化Jerk轨迹优化

Minimum Snap/Jerk轨迹生成、闭式求解、时间分配策略。

B样条轨迹优化

均匀与非均匀B样条、控制点优化、实时轨迹重规划。

B样条重规划

硬约束轨迹优化

避障约束、动力学约束、控制输入约束的建模与求解（QP/SOCP）。

软约束轨迹优化

障碍物距离场、势场函数、加权多目标优化。

势场多目标

模型预测控制（MPC）基础

MPC原理、预测模型、滚动优化、约束处理。

基于MPC的轨迹跟踪

线性MPC与非线性MPC、横向与纵向控制、实车应用案例。

安全关键轨迹优化

控制障碍函数（CBF）、控制李雅普诺夫函数（CLF）、安全滤波器设计。

多机器人协同轨迹优化

分布式与集中式优化、碰撞避免、通信约束下的协同规划。

协同分布式

不确定性下的轨迹优化

鲁棒优化、机会约束、随机MPC、传感器噪声传播。

鲁棒随机MPC

学习驱动的轨迹优化

模仿学习、强化学习与优化结合的混合方法、端到端轨迹预测。

学习端到端

仿真环境搭建

Gazebo/Carla/Unity仿真器配置、传感器仿真、数据生成与回放。

实车/实机部署

ROS2系统搭建、实时性优化、硬件在环测试、常见工程问题排查。

综合项目实战（上）

基于多传感器融合的定位与建图系统搭建（VINS+LIO-SAM）。

综合项目实战（下）

基于融合定位的轨迹规划与跟踪系统集成（MPC+避障）。