01
课程导论与预备知识
多传感器融合定位概述、应用场景、课程大纲、坐标系基础（WGS84、ENU、载体坐标系）、四元数与旋转矩阵基础。
坐标系四元数
02
传感器原理与特性 (上)
GPS/RTK定位原理、误差来源、IMU（加速度计与陀螺仪）工作原理、IMU的零偏与噪声模型。
GPSIMU零偏
03
传感器原理与特性 (下)
轮式里程计原理、视觉里程计（VO）简介、激光雷达（LiDAR）原理、点云数据格式。
轮速计LiDAR点云
04
状态估计基础
贝叶斯滤波、高斯分布、卡尔曼滤波（KF）推导、扩展卡尔曼滤波（EKF）原理。
贝叶斯EKF
05
卡尔曼滤波实战
一维卡尔曼滤波Python实现、多维卡尔曼滤波C++实现、EKF在定位中的应用案例。
PythonC++EKF
06
惯性导航系统 (INS)
捷联惯导更新算法（姿态、速度、位置）、圆锥误差与划桨误差补偿、INS机械编排代码实现。
捷联惯导圆锥误差
07
GPS+INS松耦合 (上)
松耦合架构设计、EKF状态向量设计、观测方程构建、GPS/INS融合代码实现。
松耦合EKF
08
GPS+INS松耦合 (下)
异常值检测与剔除、GPS中断时的纯惯导预测、协方差矩阵调参与经验。
异常检测协方差
09
GPS+INS紧耦合 (上)
紧耦合架构设计、伪距/伪距率观测方程、整周模糊度处理。
紧耦合伪距
10
GPS+INS紧耦合 (下)
紧耦合EKF实现、与松耦合性能对比分析、代码实战。
EKF对比
11
轮式里程计+IMU融合
轮速计标定、预积分模型、2D/3D融合定位、车辆非完整性约束。
轮速计预积分
12
视觉+IMU融合 (VIO) 基础
视觉特征提取与匹配、对极几何与PnP、IMU预积分理论。
VIO特征匹配
13
VIO系统实现 (上)
基于MSCKF的VIO架构、状态扩增与边缘化、观测更新。
MSCKF边缘化
14
VIO系统实现 (下)
VINS-Mono框架解析、初始化过程、后端优化与回环检测。
VINS-Mono回环
15
LiDAR+IMU融合 (LIO) 基础
点云配准（ICP、NDT）、LiDAR里程计原理、运动畸变去除。
ICPNDT运动畸变
16
LIO系统实现 (上)
基于滤波的LIO（LINS）、基于优化的LIO（LIO-SAM）架构对比。
LINSLIO-SAM
17
LIO系统实现 (下)
LIO-SAM代码实战、因子图构建、GPS/IMU/LiDAR三融合。
因子图三融合
18
多传感器时空标定 (上)
时间同步原理（硬件同步与软件同步）、空间标定（外参标定）方法。
时间同步外参标定
19
多传感器时空标定 (下)
LiDAR-Camera标定实战、IMU-Camera标定实战、在线标定方法。
LiDAR-Camera在线标定
20
因子图优化基础
因子图模型介绍、iSAM2增量式优化原理、g2o/gtsam库使用。
iSAM2gtsam
21
基于因子图的多传感器融合
GPS/IMU/LiDAR因子图构建、滑动窗口与边缘化、代码实现。
因子图滑动窗口
22
组合导航系统实战 (上)
基于RTKLIB的GPS数据处理、NovAtel/OEM7驱动开发。
RTKLIBNovAtel
23
组合导航系统实战 (下)
多传感器组合导航系统集成、实时性优化、日志与回放系统。
系统集成实时性
24
定位性能评估
绝对轨迹误差（ATE）、相对轨迹误差（RPE）、evo工具使用、精度分析报告。
ATERPEevo
25
场景适配与调参
城市峡谷、隧道、高架桥等场景策略、动态协方差调整、自适应滤波。
场景策略自适应
26
故障检测与容错
卡方检验、残差检测、IMU故障诊断、传感器健康管理。
卡方检验健康管理
27
深度学习在融合定位中的应用
深度学习辅助特征匹配、端到端定位、语义辅助定位。
深度学习语义
28
开源框架解读 (上)
RTK-GPS/INS开源方案（如KF-GINS）代码深度解析。
KF-GINS开源
29
开源框架解读 (下)
LIO-SAM、VINS-Fusion代码深度解析与二次开发。
LIO-SAMVINS-Fusion
30
课程总结与前沿展望
当前技术瓶颈、未来趋势（车路协同、5G定位、AI+融合）、学习路径建议。
车路协同5GAI+