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

目标跟踪中的状态估计工程应用

📚 共计 30 章节

状态估计概述

什么是状态估计？为什么需要状态估计？状态估计在目标跟踪中的核心地位。

核心概念入门

数学基础回顾

概率论与随机过程（高斯分布、贝叶斯公式、马尔可夫性质）。

概率论基础

线性系统模型

状态空间模型、状态转移矩阵、观测矩阵、过程噪声与观测噪声。

状态空间建模

卡尔曼滤波（KF）推导

从贝叶斯视角推导卡尔曼滤波的预测与更新步骤。

卡尔曼滤波实现

标准卡尔曼滤波的Python代码实现与单目标跟踪示例。

扩展卡尔曼滤波（EKF）

非线性系统的线性化方法、雅可比矩阵、EKF算法流程。

基于EKF的雷达目标跟踪（距离-角度观测模型）。

无迹卡尔曼滤波（UKF）

无迹变换、Sigma点选取、UKF算法流程。

UKF与EKF在强非线性系统中的对比实验。

对比非线性

粒子滤波（PF）

蒙特卡洛方法、重要性采样、重采样、PF算法流程。

粒子滤波实战

基于粒子滤波的纯方位目标跟踪。

交互式多模型（IMM）

多模型思想、马尔可夫转移矩阵、IMM算法流程。

机动目标跟踪（匀速/匀加速/协调转弯模型切换）。

数据关联基础

最近邻（NN）、全局最近邻（GNN）、概率数据关联（PDA）。

联合概率数据关联（JPDA）

JPDA算法原理与实现。

多假设跟踪（MHT）

假设生成、假设管理、剪枝与合并。

随机有限集（RFS）理论

PHD滤波器、CPHD滤波器、MeMBer滤波器。

PHD滤波器实现

基于SMC-PHD的多目标跟踪实战。

LMB滤波器、δ-GLMB滤波器。

非线性滤波进阶

容积卡尔曼滤波（CKF）、求积分卡尔曼滤波（QKF）。

自适应滤波

噪声协方差自适应估计（Sage-Husa、极大似然法）。

自适应Sage-Husa

鲁棒状态估计

H∞滤波、抗差卡尔曼滤波。

状态估计中的平滑技术

固定区间平滑（RTS平滑）、固定滞后平滑。

分布式状态估计

一致性卡尔曼滤波、分布式信息滤波。

分布式一致性

自动驾驶中的应用

多传感器融合（GPS/IMU/视觉/雷达）。

自动驾驶融合

无人机中的应用

视觉惯性里程计（VIO）、光流与IMU融合。

机器人中的应用

SLAM中的状态估计（EKF-SLAM、GraphSLAM）。

状态估计性能评估

RMSE、ANES、OT、GOSPA等指标。

Cramér-Rao下界（CRLB）

理论推导与数值计算。

前沿与展望

深度学习与状态估计的结合（Deep Kalman Filter、端到端跟踪）。

深度学习前沿