01
课程导论
为什么需要定位融合？车道线检测与定位的关系，课程整体架构与学习路径。
定位融合概述
02
坐标系基础
世界坐标系、车辆坐标系、相机坐标系、图像坐标系定义与转换关系。
坐标变换几何
03
传感器模型
相机内参模型（针孔模型、畸变模型）、外参标定基础。
相机标定内参
04
车道线检测基础
传统图像处理方法（边缘检测、霍夫变换、RANSAC拟合）。
图像处理传统方法
05
深度学习车道线检测
基于分割的方法（LaneNet）、基于关键点的方法（LaneATT）。
深度学习LaneNet
06
车道线后处理
聚类算法、曲线拟合（三次样条、贝塞尔曲线）、车道线跟踪。
曲线拟合跟踪
07
定位技术概述
GNSS定位原理、IMU惯性导航、轮速计编码器。
GNSSIMU
08
卡尔曼滤波基础
状态空间模型、预测与更新步骤、KF的数学推导。
卡尔曼滤波状态估计
09
扩展卡尔曼滤波
非线性系统处理、雅可比矩阵、EKF在定位中的应用。
EKF非线性
10
无迹卡尔曼滤波
UT变换、Sigma点选取、UKF与EKF对比。
UKFUT变换
11
粒子滤波
蒙特卡洛方法、重要性采样、重采样、PF在定位中的应用。
粒子滤波蒙特卡洛
12
多传感器融合框架
松耦合 vs 紧耦合、滤波框架 vs 优化框架。
融合框架松紧耦合
13
车道线辅助定位原理
将车道线作为绝对观测约束，修正横向定位漂移。
辅助定位横向修正
14
车道线观测模型
如何将检测到的车道线转换为定位观测方程。
观测模型方程
15
数据关联
车道线与地图匹配、最近邻关联、联合概率数据关联。
数据关联匹配
16
融合定位状态设计
状态向量选择（位置、速度、姿态、传感器偏差）。
状态向量设计
17
融合定位算法实现
基于EKF的GNSS+IMU+车道线融合定位代码实现。
EKF代码实现
18
车道线置信度评估
检测置信度、几何一致性、时间一致性。
置信度评估
19
异常处理与鲁棒性
车道线遮挡、车道线模糊、多车道线选择策略。
鲁棒性异常处理
20
地图匹配基础
高精地图结构、车道级地图、车道中心线提取。
高精地图车道级
21
基于车道线的横向定位
利用车道线约束修正车辆在车道内的横向位置。
横向定位车道约束
22
基于车道线的纵向定位
利用车道线曲率、坡度信息辅助纵向定位。
纵向定位曲率
23
多车道线融合定位
利用左右车道线、相邻车道线进行联合优化。
多车道线联合优化
24
车道线消失与重初始化
车道线短暂丢失时的定位保持策略。
丢失处理重初始化
25
实车测试与数据采集
传感器配置、数据同步、真值获取方法。
实车测试数据采集
26
性能评估指标
横向误差、纵向误差、航向角误差、定位可用性。
评估指标误差分析
27
常见问题与调试
定位发散、车道线误匹配、传感器时间戳不同步。
调试常见问题
28
工程化部署
C++代码移植、实时性优化、嵌入式平台适配。
工程化C++
29
前沿趋势
端到端定位、BEV感知与定位融合、V2X辅助定位。
前沿BEV
30
课程总结与项目实战
搭建一个完整的车道线辅助定位系统。
项目实战总结