01
跟踪系统概述
目标跟踪的定义、应用领域（自动驾驶、无人机、机器人）、系统组成。
基础概念
02
坐标系与状态表示
全局坐标系与局部坐标系、状态向量（位置、速度、加速度）、状态空间模型。
坐标状态
03
传感器模型
雷达、激光雷达、摄像头、IMU的测量模型与噪声特性。
传感器噪声
04
测量方程
线性测量方程、非线性测量方程、测量噪声协方差矩阵。
方程协方差
05
卡尔曼滤波基础
贝叶斯滤波思想、卡尔曼滤波的五个核心公式、预测与更新步骤。
滤波贝叶斯
06
卡尔曼滤波实现
一维位置跟踪的Python实现、参数调优、结果可视化。
Python实现
07
扩展卡尔曼滤波
非线性系统的线性化、雅可比矩阵计算、EKF算法流程。
EKF非线性
08
EKF实战
基于EKF的二维目标跟踪、Python代码实现与误差分析。
实战误差
09
无迹卡尔曼滤波
UT变换原理、Sigma点选取、UKF算法流程。
UKFUT变换
10
UKF实战
UKF与EKF在强非线性系统中的对比、Python实现。
对比非线性
11
粒子滤波
蒙特卡洛方法、重要性采样、重采样、粒子退化问题。
粒子蒙特卡洛
12
粒子滤波实战
基于粒子滤波的目标跟踪、Python代码实现与性能评估。
PF评估
13
数据关联
最近邻数据关联、概率数据关联、联合概率数据关联。
关联多目标
14
多目标跟踪
多目标跟踪框架、航迹管理、目标出生与消亡。
多目标航迹
15
跟踪误差指标
均方根误差、平均绝对误差、归一化估计误差平方。
误差指标
16
误差分析工具
置信区间、误差椭圆、Cramér-Rao下界。
工具CRLB
17
蒙特卡洛仿真
蒙特卡洛方法在误差分析中的应用、仿真次数选择。
仿真统计
18
传感器融合
多传感器融合架构、集中式与分布式融合、加权融合。
融合架构
19
交互式多模型
多模型切换、IMM算法原理、机动目标跟踪。
IMM机动
20
IMM实战
基于IMM的机动目标跟踪、Python实现与误差对比。
实战对比
21
跟踪滤波器的稳定性
滤波发散原因、稳定性判据、自适应滤波。
稳定性自适应
22
自适应卡尔曼滤波
噪声协方差自适应估计、Sage-Husa滤波器。
自适应Sage-Husa
23
强跟踪滤波器
渐消因子、强跟踪滤波算法、突变目标跟踪。
强跟踪突变
24
非线性滤波对比
EKF、UKF、PF在不同场景下的性能对比与选择。
对比选型
25
跟踪系统延迟分析
延迟来源、延迟补偿方法、时间戳对齐。
延迟补偿
26
实时跟踪系统设计
实时性要求、算法优化、嵌入式实现考量。
实时嵌入式
27
跟踪系统仿真平台
基于Python的仿真框架搭建、场景生成、结果回放。
仿真框架
28
典型应用案例1：自动驾驶
自动驾驶中的车辆跟踪、传感器配置、误差分析。
自动驾驶车辆
29
典型应用案例2：无人机编队
无人机编队中的目标跟踪、协同跟踪、误差传播。
无人机编队
30
课程总结与展望
跟踪技术发展趋势、深度学习与跟踪结合、未来挑战。
趋势深度学习