🧭
卡尔曼滤波 · 多传感器融合
📚 30章 完整目录
⭐ 友好色系
01
卡尔曼滤波概述
从贝叶斯滤波到卡尔曼滤波的演进，核心思想与假设
02
状态空间模型
线性动态系统的数学描述，状态方程与观测方程
03
卡尔曼滤波五大公式详解
预测与更新步骤的数学推导与物理意义
04
一维卡尔曼滤波实战
Python温度传感器一维滤波，参数调优
05
多维卡尔曼滤波
向量与矩阵形式，协方差矩阵几何意义
06
噪声特性分析
过程/观测噪声建模，Q与R矩阵调参
07
收敛性与稳定性
可观性、可控性分析，发散原因与对策
08
扩展卡尔曼滤波 (EKF)
非线性系统线性化，雅可比矩阵计算
09
EKF实战：IMU+里程计
机器人定位，处理非线性运动模型
10
无迹卡尔曼滤波 (UKF)
无迹变换原理，Sigma点与权重
11
UKF实战：EKF vs UKF
强非线性系统对比，优劣分析
12
信息滤波 (IF)
信息形式卡尔曼滤波，分布式融合架构
13
多传感器融合基础
数据级、特征级、决策级融合架构
14
集中式卡尔曼滤波融合
所有传感器数据统一送入一个滤波器
15
分布式卡尔曼滤波融合
各传感器独立滤波，主滤波器全局融合
16
联邦卡尔曼滤波
实用分布式融合结构，组合导航系统
17
异步传感器融合
不同采样率、延迟的数据对齐
18
传感器校准与时间同步
标定方法，时间戳对齐
19
实战：GPS+IMU松耦合
卡尔曼滤波融合GPS与IMU数据
20
实战：GPS+IMU紧耦合
直接融合原始观测量，提升精度
21
视觉+惯性里程计 (VIO)
EKF框架下视觉特征与IMU融合
22
激光雷达+IMU融合定位
点云匹配与IMU预积分结合
23
多雷达目标跟踪
数据关联与状态估计
24
轮式里程计+IMU+GPS
三传感器融合，冗余设计提高可靠性
25
自适应卡尔曼滤波
在线估计噪声协方差，应对环境变化
26
鲁棒卡尔曼滤波
抗差估计，处理传感器故障与异常值
27
自动驾驶中的应用
多传感器融合感知与定位
28
机器人SLAM中的应用
状态估计与地图构建
29
无人机姿态估计与导航
卡尔曼滤波在无人机中的应用
30
课程总结与展望
局限性，未来趋势：图优化、因子图、深度学习融合