第01章
融合跟踪概述
什么是多传感器融合跟踪、为什么需要融合、典型应用场景（自动驾驶、安防监控）。
概述应用
第02章
传感器模型与数据预处理
雷达、摄像头、激光雷达的数学模型、坐标变换、时间同步、数据对齐。
雷达LiDAR对齐
第03章
状态估计基础
贝叶斯滤波、卡尔曼滤波（KF）原理、KF的五个核心公式推导。
贝叶斯KF
第04章
扩展卡尔曼滤波（EKF）
非线性系统建模、EKF线性化过程、EKF在目标跟踪中的应用。
EKF非线性
第05章
无迹卡尔曼滤波（UKF）
UT变换、Sigma点选取、UKF与EKF对比分析。
UKFUT变换
第06章
粒子滤波（PF）
蒙特卡洛方法、重要性采样、重采样、粒子退化问题。
PF蒙特卡洛
第07章
数据关联基础
最近邻（NN）、全局最近邻（GNN）、概率数据关联（PDA）。
NNPDA
第08章
联合概率数据关联（JPDA）
JPDA算法原理、联合事件计算、实现细节。
JPDA多目标
第09章
多假设跟踪（MHT）
假设生成、假设管理、剪枝策略、MHT的优缺点。
MHT假设
第10章
航迹管理
航迹起始、航迹确认、航迹维持、航迹消亡、航迹ID管理。
航迹生命周期
第11章
融合架构
集中式融合、分布式融合、混合式融合、各架构优缺点对比。
架构分布式
第12章
航迹-航迹关联
时空对齐、关联度量、关联决策、系统误差补偿。
关联误差补偿
第13章
航迹融合算法
简单凸组合、加权协方差融合、信息滤波融合、协方差交叉（CI）。
CI凸组合
第14章
信息滤波（IF）
信息矩阵、信息向量、IF与KF的对偶性、分布式IF实现。
IF对偶性
第15章
协方差交叉（CI）融合
CI算法原理、保守性证明、参数优化、广义CI。
CI保守性
第16章
随机有限集（RFS）理论
RFS基础、PHD滤波、CPHD滤波、多目标跟踪。
RFSPHD
第17章
概率假设密度（PHD）滤波
PHD递推、高斯混合PHD（GM-PHD）、实现细节。
PHDGM-PHD
第18章
标签化RFS与LMB滤波
标签化多伯努利（LMB）、δ-GLMB、实现对比。
LMBδ-GLMB
第19章
交互式多模型（IMM）
多模型架构、模型概率更新、IMM-KF/IMM-EKF。
IMM机动目标
第20章
变分贝叶斯方法
变分推断基础、VB-KF、自适应噪声估计。
变分VB-KF
第21章
深度学习与融合跟踪
端到端跟踪、数据驱动关联、特征融合网络。
深度学习特征融合
第22章
图神经网络（GNN）在跟踪中的应用
图构建、消息传递、多目标关联。
GNN图关联
第23章
Transformer在跟踪中的应用
注意力机制、时序建模、DETR-like跟踪器。
Transformer注意力
第24章
多目标跟踪评价指标
MOTA、MOTP、IDF1、HOTA、CLEAR指标详解。
MOTAHOTA
第25章
跟踪系统工程实践
实时性优化、内存管理、多线程设计、嵌入式部署。
工程嵌入式
第26章
C++实现融合跟踪
Eigen库使用、OpenCV集成、性能优化技巧。
C++Eigen
第27章
Python原型开发
NumPy/SciPy实现KF、FilterPy库使用、可视化调试。
PythonFilterPy
第28章
开源框架实战
OpenTracker、StoneSoup、Tracktor++使用与二次开发。
开源StoneSoup
第29章
自动驾驶多传感器融合案例
Radar-Camera融合、LiDAR-Camera融合、端到端方案。
自动驾驶Radar
第30章
安防监控多目标跟踪案例
行人跟踪、跨摄像头跟踪、ReID融合、实战部署。
安防ReID