01
传感器基础与选型
IMU（加速度计、陀螺仪）、磁力计、气压计、GPS/RTK的原理与选型要点。
选型原理
02
传感器误差模型
零偏、标度因数、交轴耦合、随机游走、高斯白噪声的数学建模。
建模噪声
03
Allan方差分析
使用Allan方差识别IMU噪声类型（角度随机游走、速率随机游走、零偏不稳定性）。
Allan识别
04
IMU确定性误差校准
六面法校准加速度计和陀螺仪的零偏与标度因数。
六面法标定
05
IMU温度补偿
建立温度-零偏模型，实现全温段校准。
温度补偿
06
磁力计硬铁/软铁校准
椭球拟合算法，消除环境磁场干扰。
椭球拟合磁场
07
气压计校准
静态气压校准、动态气压补偿（风洞/飞行数据）。
气压补偿
08
GPS/RTK时间同步
PPS信号与IMU数据时间戳对齐，解决延时问题。
PPS同步
09
传感器数据预处理
低通滤波、滑动平均滤波、中值滤波、限幅滤波。
滤波预处理
10
坐标系与姿态表示
欧拉角、旋转矩阵、四元数、等效旋转矢量。
坐标系四元数
11
姿态解算基础
互补滤波原理，从加速度计/磁力计恢复姿态。
互补滤波姿态
12
Mahony互补滤波
经典IMU姿态融合算法，代码实现与调参。
Mahony调参
13
Madgwick滤波器
梯度下降法姿态解算，对比Mahony的优劣。
Madgwick梯度下降
14
卡尔曼滤波入门
状态空间模型、预测-更新循环、协方差矩阵。
卡尔曼入门
15
扩展卡尔曼滤波（EKF）
非线性系统线性化，雅可比矩阵推导。
EKF雅可比
16
EKF姿态估计
以四元数为状态量，融合陀螺仪、加速度计、磁力计。
四元数EKF融合
17
EKF位置速度估计
融合IMU与GPS/RTK，实现无漂移导航。
GPS融合导航
18
误差状态卡尔曼滤波（ESKF）
IMU预积分与误差状态更新，避免奇异值。
ESKF预积分
19
多传感器融合框架
松耦合 vs 紧耦合，联邦卡尔曼滤波架构。
松耦合紧耦合
20
传感器故障检测
卡方检验、残差分析、一致性检查。
故障检测卡方
21
传感器健康管理
在线诊断、冗余切换、降级策略。
健康管理冗余
22
实时系统实现
RTOS任务调度、数据同步、内存管理。
RTOS实时
23
传感器标定工具链
Python脚本自动化校准流程。
Python自动化
24
仿真环境搭建
基于Gazebo/Matlab的传感器模型与数据生成。
Gazebo仿真
25
硬件在环测试（HIL）
将真实传感器接入仿真回路。
HIL硬件在环
26
飞行数据记录与分析
使用ROS Bag/ULog进行离线分析。
ROS BagULog
27
实战案例1：自检与校准
四旋翼起飞前的传感器自检与校准流程。
实战自检
28
实战案例2：纯惯性导航
GPS信号丢失后的纯惯性导航与误差发散抑制。
纯惯性GPS丢失
29
实战案例3：室内外过渡
多传感器融合在室内外过渡场景下的鲁棒性提升。
室内外鲁棒性
30
课程总结与进阶方向
视觉-惯性融合、LIO-SAM、未来趋势。
VIOLIO-SAM