VIP20

本课程属于：032-目标跟踪 自动驾驶 · 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

定位失效下的目标跟踪策略

📚 共计 30 章节

01

课程导论：为什么需要定位失效下的跟踪策略？

动机、挑战与课程全景

导论定位失效

02

定位失效场景分析：室内、隧道、城市峡谷、信号干扰

典型弱/无GNSS环境剖析

场景失效分析

03

传感器基础：IMU、轮式里程计、激光雷达、相机

核心传感器原理与特性

传感器IMULiDAR

04

多传感器融合基础：卡尔曼滤波入门

线性最优估计与数据融合

卡尔曼融合

05

扩展卡尔曼滤波（EKF）在融合中的应用

非线性系统状态估计

EKF非线性

06

无迹卡尔曼滤波（UKF）与粒子滤波（PF）对比

采样近似与粒子方法

UKFPF对比

07

视觉里程计（VO）原理与实现

从图像序列估计运动

VO视觉

08

视觉惯性里程计（VIO）紧耦合与松耦合

IMU+视觉融合架构

VIO紧耦合

09

激光雷达里程计（LO）与LOAM算法

激光SLAM经典方法

LOAM激光

10

激光惯性里程计（LIO）与LIO-SAM

紧耦合激光-惯性系统

LIOLIO-SAM

11

多传感器标定：时间同步与空间对齐

外参标定与时钟同步

标定同步

12

失效检测机制：如何判断定位是否失效？

残差、一致性、置信度

检测失效

13

基于地图匹配的定位恢复策略

先验地图与扫描匹配

地图匹配恢复

14

基于场景重识别的地点识别与闭环检测

视觉/激光重定位

重识别闭环

15

基于粒子滤波的全局定位恢复

粒子重采样与全局收敛

粒子滤波全局

16

基于蒙特卡洛定位（MCL）的失效恢复

概率定位经典方法

MCL蒙特卡洛

17

基于深度学习的端到端跟踪策略

学习型跟踪器

深度学习端到端

18

基于强化学习的自适应跟踪策略

决策与在线调整

强化学习自适应

19

基于图优化的位姿图（Pose Graph）优化

图SLAM后端优化

位姿图图优化

20

因子图（Factor Graph）在SLAM中的应用

概率图模型与推理

因子图SLAM

21

多机器人协同跟踪与信息共享

分布式协同定位

多机器人协同

22

边缘计算与云端协同的跟踪架构

计算卸载与实时性

边缘计算云端

23

实时性优化：轻量化模型与降采样策略

效率与精度平衡

轻量化实时

24

鲁棒性增强：异常值剔除与抗干扰滤波

稳健估计与抗差

鲁棒性抗干扰

25

案例实战：AGV在仓库中的无GPS跟踪

工业场景落地

AGV仓库

26

案例实战：无人机在隧道中的自主导航

无人机隧道飞行

无人机隧道

27

案例实战：自动驾驶汽车在城市峡谷中的定位

城市峡谷挑战

自动驾驶城市峡谷

28

评估指标：ATE、RPE、成功率、鲁棒性

量化评价体系

ATERPE指标

29

开源工具与数据集：KITTI、EuRoC、TUM-VI

常用基准与工具

KITTIEuRoC数据集

30

课程总结与未来展望：多模态融合与AI驱动

趋势、挑战与前沿

总结多模态AI