01
点云配准初探
什么是点云配准？为什么它对定位精度如此重要？课程整体框架与学习路径。
入门概览
02
数学基础回顾（上）
三维空间刚体变换（旋转矩阵、欧拉角、四元数），齐次坐标与变换矩阵。
数学刚体变换
03
数学基础回顾（下）
李群与李代数（SO3, SE3），扰动模型与求导，这在优化中有什么用？
李代数优化
04
点云数据预处理
体素滤波降采样、离群点移除、法向量估计，为配准打好数据基础。
预处理滤波
05
ICP算法精讲（上）
经典ICP（点到点）的数学推导、求解流程（SVD分解），代码实现。
ICPSVD
06
ICP算法精讲（下）
点到面ICP、点到线ICP，鲁棒核函数在ICP中的应用。
ICP变种鲁棒
07
ICP的变种与加速
多分辨率ICP、Generalized-ICP (GICP)，以及如何使用KD-Tree加速匹配。
加速GICP
08
特征点提取与描述子
ISS、Harris3D、FPFH、SHOT，如何提取稳定的关键点。
特征描述子
09
基于特征的配准
利用FPFH进行粗配准（RANSAC），再用ICP精配准，实战流程。
RANSAC粗配准
10
NDT算法详解
正态分布变换（NDT）的原理、数学推导，与ICP的对比分析。
NDT概率
11
NDT实战与调参
PCL中NDT的使用，栅格分辨率、步长等参数对精度的影响。
调参PCL
12
全局配准方法
RANSAC、TEASER、基于分支定界的配准，解决初值敏感问题。
全局鲁棒
13
点云配准中的退化问题
什么是退化？如何检测退化场景（隧道、长廊）？
退化检测
14
退化场景下的定位策略
约束退化方向，融合IMU/轮速计，保持定位鲁棒。
多传感器融合
15
激光SLAM中的前端配准
帧间匹配（scan-to-scan）与帧图匹配（scan-to-map）的工程实现。
SLAM前端
16
关键帧与图优化
为什么需要关键帧？构建位姿图，用g2o/Ceres进行图优化。
图优化关键帧
17
回环检测与图优化
基于Scan Context的回环检测，闭环校正与全局一致性优化。
回环Scan Context
18
激光-惯性紧耦合（LIO）
LIO-SAM原理剖析，IMU预积分与激光配准的融合。
LIOIMU预积分
19
激光-视觉融合（LVIO）
R3LIVE原理简介，视觉信息如何辅助激光定位。
LVIOR3LIVE
20
多传感器标定（上）
激光雷达与IMU的外参标定（基于运动或基于目标）。
标定LiDAR/IMU
21
多传感器标定（下）
激光雷达与相机的外参标定，联合标定工具（lidar_align, Kalibr）。
标定LiDAR/Camera
22
地图构建与管理
全局地图、局部地图、占据栅格地图，高效的数据结构（VoxelHash）。
地图数据结构
23
动态环境处理
如何滤除动态物体（人、车）对配准的影响，基于Ray Casting的方法。
动态滤波
24
配准精度评估指标
RPE、ATE、相对误差，使用evo工具评估定位精度。
评估evo
25
工程化与性能优化
C++代码优化、多线程加速、SIMD指令集在点云处理中的应用。
优化SIMD
26
实战项目（一）
基于PCL/Open3D，从0到1搭建一个离线点云配准与地图构建系统。
实战PCL
27
实战项目（二）
基于ROS，搭建一个实时激光SLAM系统（scan-to-map + 回环）。
ROSSLAM
28
实战项目（三）
基于FAST-LIO2框架，实现LIO系统并分析其精度提升。
FAST-LIO2LIO
29
前沿技术展望
基于深度学习的配准（PointNetLK, DCP, GeoTransformer），未来趋势。
深度学习前沿
30
课程总结与面试指南
核心知识点回顾，常见面试题解析，如何准备SLAM岗位面试。
总结面试