01
课程导论：为什么需要GPS拒止导航？核心挑战与应用场景。
核心挑战 · 自主系统 · 多场景落地
导论概述
02
传感器基础：惯性测量单元(IMU)原理、加速度计与陀螺仪。
IMU 核心 · 加速度计 · 陀螺仪
传感器IMU
03
传感器基础：视觉传感器(单目/双目/深度相机)与激光雷达(LiDAR)简介。
视觉 · 深度相机 · LiDAR
视觉LiDAR
04
状态估计基础：贝叶斯滤波、卡尔曼滤波(KF)原理。
贝叶斯 · 卡尔曼滤波 · 递归估计
滤波KF
05
状态估计进阶：扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)。
EKF · UKF · 非线性系统
EKFUKF
06
多传感器融合：松耦合与紧耦合架构。
松耦合 · 紧耦合 · 融合策略
融合架构
07
惯性导航系统(INS)：捷联惯导解算原理与误差模型。
捷联惯导 · 解算 · 误差分析
INS惯导
08
视觉里程计(Visual Odometry)：特征点法(ORB-SLAM)原理。
ORB-SLAM · 特征点 · 视觉里程计
VOORB
09
视觉里程计(Visual Odometry)：直接法(LSD-SLAM)与半直接法(SVO)。
直接法 · LSD-SLAM · SVO
直接法SVO
10
激光雷达里程计(LiDAR Odometry)：ICP算法与NDT算法。
ICP · NDT · 点云配准
LiDARICP
11
激光雷达SLAM：LOAM与LeGO-LOAM框架解析。
LOAM · LeGO-LOAM · 激光SLAM
LOAMSLAM
12
视觉-惯性融合(VINS)：VINS-Mono与VINS-Fusion原理。
VINS-Mono · VINS-Fusion · 视觉惯性
VINS融合
13
激光-惯性融合(LINS)：LINS与LIO-SAM框架。
LINS · LIO-SAM · 激光惯性
LINSLIO-SAM
14
视觉-激光雷达融合：V-LOAM与多模态融合策略。
V-LOAM · 多模态 · 融合
V-LOAM多模态
15
因子图优化：iSAM2与GTSAM库入门。
因子图 · iSAM2 · GTSAM
因子图优化
16
回环检测：词袋模型(DBoW2)与几何验证。
回环检测 · DBoW2 · 几何验证
回环DBoW2
17
地图构建：占据栅格地图与TSDF地图。
占据栅格 · TSDF · 建图
建图TSDF
18
路径规划基础：A*算法与Dijkstra算法。
A* · Dijkstra · 图搜索
路径规划A*
19
局部路径规划：DWA算法与TEB算法。
DWA · TEB · 局部规划
DWATEB
20
运动控制：PID控制与模型预测控制(MPC)。
PID · MPC · 控制理论
控制MPC
21
无GPS环境下的定位：磁力计与气压计辅助。
磁力计 · 气压计 · 辅助定位
磁力计气压计
22
无GPS环境下的定位：UWB与WiFi指纹定位。
UWB · WiFi指纹 · 室内定位
UWB指纹
23
深度学习在导航中的应用：端到端导航与语义SLAM。
端到端 · 语义SLAM · 深度学习
DL语义SLAM
24
深度学习在导航中的应用：深度估计与重定位。
深度估计 · 重定位 · 学习导航
深度估计重定位
25
多机器人协同：分布式SLAM与编队导航。
分布式SLAM · 编队 · 协同
多机器人协同
26
仿真环境搭建：Gazebo与AirSim仿真平台。
Gazebo · AirSim · 仿真
仿真Gazebo
27
硬件平台搭建：嵌入式平台(NVIDIA Jetson/STM32)选型。
Jetson · STM32 · 硬件选型
硬件嵌入式
28
实战项目1：基于IMU+视觉的室内无人机自主导航。
无人机 · IMU+视觉 · 室内导航
实战无人机
29
实战项目2：基于LiDAR+IMU的室外无人车导航。
无人车 · LiDAR+IMU · 室外
实战无人车
30
课程总结：未来趋势与研究方向(事件相机、毫米波雷达)。
事件相机 · 毫米波雷达 · 趋势
总结前沿