01
课程导论：背景与评估体系
多源传感器融合定位的背景与意义、性能评估的核心指标（精度、可用性、连续性、完好性）、评估方法论概述。
概论指标体系
02
坐标系与时空基准
常用坐标系（WGS84、ENU、ECEF、载体坐标系）、坐标转换方法、时间同步基础（GNSS时间、UTC、硬件时间戳）。
坐标时间同步
03
GNSS定位原理与误差源
伪距定位、载波相位定位、单点定位与差分定位、GNSS主要误差源（电离层、对流层、多路径、星历误差）。
GNSS误差分析
04
惯性导航系统（INS）基础
IMU工作原理、比力方程与姿态更新、捷联惯导解算（姿态、速度、位置）、INS误差传播特性。
INSIMU
05
视觉传感器与LiDAR基础
视觉SLAM简介（特征法/直接法）、LiDAR点云处理基础（滤波、配准）、视觉与LiDAR的优缺点对比。
视觉LiDAR
06
多传感器时空同步
硬件同步方案（PPS、GPSDO）、软件同步方案（插值、外推）、时间延迟估计与补偿。
同步硬件/软件
07
卡尔曼滤波基础
状态空间模型、线性卡尔曼滤波（KF）推导、KF的五个核心公式、KF调参经验（Q、R矩阵设置）。
KF滤波
08
扩展卡尔曼滤波（EKF）
非线性系统线性化、EKF算法流程、EKF在组合导航中的应用（松耦合）、EKF的局限性。
EKF非线性
09
无迹卡尔曼滤波（UKF）
UT变换原理、UKF算法流程、UKF与EKF的对比、UKF在强非线性系统中的应用。
UKFUT变换
10
粒子滤波（PF）
蒙特卡洛方法、重要性采样与重采样、PF算法流程、PF在高维系统中的挑战。
粒子滤波蒙特卡洛
11
误差状态卡尔曼滤波（ESKF）
ESKF思想（名义状态与误差状态分离）、ESKF算法推导、ESKF在IMU+GPS融合中的优势。
ESKF误差状态
12
图优化与因子图
图优化基础（节点与边）、因子图模型、iSAM与iSAM2算法简介、图优化在SLAM中的应用。
图优化因子图
13
松耦合融合架构
松耦合原理、各传感器独立解算再融合、典型架构（GPS+IMU松耦合）、优缺点分析。
松耦合架构
14
紧耦合融合架构
紧耦合原理、原始观测值融合、典型架构（GPS+IMU紧耦合）、优缺点分析。
紧耦合原始观测
15
深耦合融合架构
深耦合原理（INS辅助GPS跟踪环路）、矢量跟踪、深耦合的优势与实现复杂度。
深耦合矢量跟踪
16
视觉-惯性融合（VINS）
VINS框架概述、预积分理论、视觉与IMU的联合初始化、VINS-Mono与VINS-Fusion实例。
VINS预积分
17
LiDAR-惯性融合（LINS）
LINS框架概述、点云畸变补偿、LiDAR与IMU的外参标定、LIO-SAM实例。
LINSLIO-SAM
18
视觉-LiDAR-惯性融合（LVI-SAM）
多传感器紧耦合框架、视觉与LiDAR的深度关联、LVI-SAM系统架构分析。
LVI-SAM多模态
19
性能评估指标体系（一）
精度评估（绝对精度、相对精度、RMSE、CEP）、可用性评估（时间可用性、空间可用性）。
精度可用性
20
性能评估指标体系（二）
连续性评估（中断率、MTBF）、完好性评估（保护级、告警限、漏检率、虚警率）。
连续性完好性
21
评估数据采集与真值获取
高精度参考系统（差分GPS、全站仪、高精度INS）、数据采集规范、真值对齐与插值。
真值采集
22
离线评估方法
数据集回放评估、误差时间序列分析、统计指标计算、轨迹对齐（Umeyama算法）。
离线Umeyama
23
在线评估方法
实时性能监控、残差检测、卡方检验、故障检测与排除（FDE）。
在线FDE
24
评估工具与平台
EVO工具（轨迹评估）、KITTI评估协议、NCLT数据集、MATLAB/Simulink评估工具箱。
EVOKITTI
25
典型场景评估（一）
城市峡谷场景（多路径效应、卫星遮挡）、高架桥与隧道场景（GNSS信号中断）。
城市峡谷隧道
26
典型场景评估（二）
快速运动场景（IMU饱和、视觉模糊）、弱纹理场景（视觉特征缺失）。
快速运动弱纹理
27
典型场景评估（三）
恶劣天气场景（雨雪雾对LiDAR/视觉的影响）、电磁干扰场景。
恶劣天气电磁干扰
28
融合算法鲁棒性评估
参数敏感性分析、初始化失败场景、传感器故障注入测试、退化场景处理能力。
鲁棒性故障注入
29
评估报告撰写与可视化
评估报告结构、关键图表绘制（误差累积分布图CDF、轨迹对比图、误差箱线图）、结论提炼。
报告CDF
30
前沿趋势与挑战
基于学习的融合方法（深度学习+卡尔曼滤波）、传感器套件小型化、车规级可靠性、标准化评估体系展望。
前沿学习融合