01
SLAM概述与课程导学
什么是SLAM？激光雷达SLAM的应用场景（扫地机器人、自动驾驶、AGV），课程目标与学习路径。
导学应用场景
02
激光雷达基础
激光雷达工作原理（TOF、三角测距），常见激光雷达（单线、多线、固态），点云数据格式。
TOF点云
03
ROS环境搭建与工具链
Ubuntu系统安装，ROS Noetic安装，catkin工作空间创建，rviz与rqt工具介绍。
ROSrviz
04
激光雷达驱动与数据可视化
配置激光雷达驱动（如rplidar、velodyne），在rviz中可视化点云，录制与回放rosbag。
驱动rosbag
05
坐标系与坐标变换
机器人坐标系（base_link、odom、map），TF树原理，使用tf2进行坐标变换。
TF坐标变换
06
里程计基础
轮式里程计原理，IMU数据融合，发布odom话题。
里程计IMU
07
点云预处理
体素滤波降采样，直通滤波，半径滤波与统计滤波，去除离群点。
滤波降采样
08
点云配准基础
ICP算法原理与实现，点到点ICP与点到面ICP，PCL库使用。
ICPPCL
09
前端里程计
基于ICP的帧间匹配，基于NDT的帧间匹配，scan-to-scan与scan-to-map。
NDT帧间匹配
10
后端优化基础
图优化理论简介，g2o与Ceres库入门，位姿图构建。
图优化g2o
11
回环检测
回环检测的意义，基于Scan Context的回环检测，基于直方图的回环检测。
回环Scan Context
12
经典SLAM框架解析
GMapping算法原理与实战，HectorSLAM算法原理与实战。
GMappingHector
13
经典SLAM框架解析（续）
Cartographer算法原理（前端、后端、回环），Cartographer配置与调参。
Cartographer调参
14
基于图优化的SLAM
KartoSLAM原理，Slam Toolbox的使用与配置。
KartoSlam Toolbox
15
多传感器融合SLAM
LIO-SAM框架解析，激光雷达+IMU+GPS融合，因子图优化。
LIO-SAM因子图
16
3D激光SLAM基础
LOAM算法原理，A-LOAM代码解析，LeGO-LOAM改进点。
LOAMA-LOAM
17
3D激光SLAM进阶
LIO-SAM实战，FAST-LIO2原理与代码解析。
FAST-LIO2实战
18
建图与定位分离
先建图后定位的思路，基于先验地图的定位（AMCL原理）。
AMCL先验地图
19
自适应蒙特卡洛定位（AMCL）
AMCL算法原理，粒子滤波，在已知地图中定位。
粒子滤波AMCL
20
全局定位与 kidnapped robot problem
全局定位初始化，粒子重采样，恢复定位。
全局定位重采样
21
动态环境下的SLAM
动态物体滤除（RangeNet、DynamicFilter），静态地图更新。
动态滤除地图更新
22
SLAM性能评估
evo工具使用，ATE与RPE指标，轨迹对齐与误差分析。
evoATE/RPE
23
多机器人SLAM
多机器人协同建图，地图融合，分布式SLAM简介。
多机器人地图融合
24
语义SLAM
语义分割与SLAM结合，动态物体语义剔除，语义地图构建。
语义分割语义地图
25
激光雷达与视觉融合
视觉-激光雷达标定，V-LOAM框架，多模态融合优势。
标定V-LOAM
26
工程化部署
C++代码优化，内存管理，实时性优化，嵌入式平台移植。
C++嵌入式
27
实战项目1：室内建图与导航
基于Cartographer的室内建图与导航（扫地机器人场景）。
扫地机器人Cartographer
28
实战项目2：室外建图与定位
基于LIO-SAM的室外建图与定位（自动驾驶场景）。
自动驾驶LIO-SAM
29
实战项目3：已知地图定位与重定位
基于AMCL的已知地图定位与重定位（仓储AGV场景）。
AGVAMCL
30
课程总结与进阶方向
SLAM前沿技术（NeRF-SLAM、3DGS-SLAM），学习资源推荐，职业发展建议。
NeRF-SLAM职业发展