01
课程导论
什么是目标跟踪？为什么需要轨迹平滑？应用场景（自动驾驶、无人机、机器人）与课程大纲概览。
概览应用
02
坐标系基础
全局坐标系与局部坐标系、齐次坐标、坐标变换（旋转与平移矩阵）。
数学变换
03
传感器与观测模型
常见传感器（激光雷达、摄像头、毫米波雷达）原理简介、观测噪声模型、数据预处理。
传感器噪声
04
状态估计基础
概率论回顾（高斯分布、贝叶斯法则）、状态空间模型、马尔可夫假设。
概率贝叶斯
05
卡尔曼滤波（KF）原理
线性系统假设、预测与更新步骤、卡尔曼增益推导、一维示例。
KF线性
06
卡尔曼滤波（KF）实现
Python代码实现一维卡尔曼滤波、参数调优（Q、R矩阵）、可视化跟踪效果。
Python调参
07
扩展卡尔曼滤波（EKF）
非线性系统问题、泰勒展开与线性化、EKF算法流程。
EKF非线性
08
EKF实现与应用
Python实现EKF（以雷达目标跟踪为例）、雅可比矩阵计算、性能对比。
EKF雷达
09
无迹卡尔曼滤波（UKF）
无迹变换原理、Sigma点选取、UKF算法流程、与EKF的优劣对比。
UKFSigma点
10
UKF实现
Python实现UKF、参数调节（alpha, beta, kappa）、在非线性系统中的表现。
UKF调参
11
粒子滤波（PF）基础
蒙特卡洛方法、重要性采样、重采样技术（系统重采样、残差重采样）。
PF重采样
12
粒子滤波实现
Python实现粒子滤波、粒子数选择、退化问题处理、与KF系列对比。
PF对比
13
多目标跟踪（MOT）简介
数据关联问题、最近邻（NN）、全局最近邻（GNN）、联合概率数据关联（JPDA）。
MOT关联
14
多目标跟踪进阶
匈牙利算法、多假设跟踪（MHT）、基于深度学习的关联方法（如DeepSORT）。
匈牙利DeepSORT
15
轨迹平滑概念
滤波 vs 平滑、固定区间平滑（Rauch-Tung-Striebel平滑）、固定滞后平滑。
平滑RTS
16
RTS平滑器原理
前向滤波、后向平滑、RTS公式推导、与卡尔曼滤波的关系。
RTS推导
17
RTS平滑器实现
Python实现RTS平滑、在离线数据处理中的应用、效果可视化。
Python离线
18
基于优化的平滑方法
最小二乘轨迹拟合、B样条曲线拟合、贝塞尔曲线。
拟合B样条
19
基于优化的平滑实现
Python实现B样条轨迹平滑、控制点选择、平滑度与拟合度权衡。
B样条权衡
20
基于图优化的平滑
因子图概念、构建误差函数、使用g2o/Ceres求解、在SLAM中的应用。
图优化SLAM
21
图优化平滑实现
Python（或调用Ceres）实现简单图优化平滑、残差块定义、求解器配置。
Ceres残差
22
运动模型
恒速模型（CV）、恒加速模型（CA）、恒转弯率模型（CTRV）、交互多模型（IMM）。
CVIMM
23
IMM算法实现
Python实现IMM、模型概率更新、融合输出、在机动目标跟踪中的应用。
IMM机动
24
轨迹预测基础
基于物理模型的预测、基于模式识别的预测（LSTM、Transformer）。
预测LSTM
25
基于学习的轨迹预测
数据准备、LSTM/GRU网络设计、训练与评估、与滤波方法的结合。
深度学习GRU
26
评估指标
均方根误差（RMSE）、平均绝对误差（MAE）、最优子模式分配（OSPA）、跟踪精度与鲁棒性。
RMSEOSPA
27
实战项目一
单目标跟踪与平滑（使用卡尔曼滤波+RTS平滑，处理真实激光雷达数据）。
实战激光雷达
28
实战项目二
多目标跟踪（使用匈牙利算法+卡尔曼滤波，处理模拟多目标数据）。
实战匈牙利
29
实战项目三
基于学习的轨迹预测与平滑（使用LSTM预测+图优化平滑）。
实战LSTM
30
课程总结与前沿展望
当前挑战（遮挡、长时跟踪、多模态融合）、未来方向（端到端跟踪、大模型应用）。
前沿大模型