🚗 V2X 高精度定位融合方案 · 实战
📘 30章 完全目录
📍 融合感知 · 定位
🧭 GNSS / IMU / 视觉 / 雷达
🎯 从基础到前沿
01
V2X定位概述
V2X技术简介
高精度定位价值
GNSS/IMU/视觉/雷达
02
GNSS基础原理
GPS/北斗架构
卫星定位原理
伪距/载波相位
单点定位精度
03
RTK定位技术
差分定位原理
RTK工作流程
基准站/流动站
整周模糊度固定
04
IMU惯性导航
加速度计/陀螺仪
捷联惯导算法
IMU误差模型
零偏与噪声
05
视觉定位基础
视觉里程计
特征点提取匹配
对极几何/PnP
视觉SLAM简介
06
毫米波雷达定位
雷达测距测速
多普勒效应
点云特征提取
雷达与地图匹配
07
激光雷达定位
LiDAR点云特性
ICP配准算法
NDT配准算法
LiDAR与高精地图
08
多传感器融合架构
数据级/特征级/决策级
松耦合/紧耦合
EKF/UKF/PF
09
卡尔曼滤波基础
状态空间模型
线性卡尔曼推导
预测与更新
调参经验
10
扩展卡尔曼滤波
非线性系统线性化
雅可比矩阵
EKF在定位应用
EKF局限性
11
无迹卡尔曼滤波
UT变换原理
Sigma点选取
UKF算法流程
UKF vs EKF
12
粒子滤波
蒙特卡洛方法
重要性采样
重采样策略
粒子滤波定位
13
图优化理论
图优化概念
节点与边
最小二乘求解
g2o/Ceres库
14
因子图优化
因子图模型
增量平滑/贝叶斯树
iSAM2算法
因子图定位
15
GNSS+IMU融合
松耦合方案
紧耦合方案
IMU辅助RTK
典型融合流程
16
GNSS+视觉融合
视觉辅助RTK
视觉辅助PPP
时空同步
方案对比
17
GNSS+LiDAR融合
LiDAR辅助GNSS
点云与卫星融合
城市峡谷优化
18
视觉+IMU融合
VINS-Mono框架
预积分理论
视觉惯性对齐
初始化/回环检测
19
LiDAR+IMU融合
LIO-SAM框架
外参标定
点云畸变去除
紧耦合方案
20
多传感器时空同步
硬件同步(PPS/Trig)
软件同步
时间戳对齐
空间标定
21
高精地图与定位
高精地图要素
地图匹配定位
语义定位
众包地图更新
22
车路协同定位
RSU辅助定位
V2V相对定位
路侧感知增强
协同精度分析
23
5G定位技术
TDOA/AOA/TOA
5G与GNSS融合
精度评估
商用进展
24
UWB定位技术
UWB测距原理
TOF/TDOA定位
UWB与IMU融合
UWB在V2X
25
深度学习定位
端到端定位网络
视觉定位CNN
点云定位PointNet
深度学习+滤波
26
定位性能评估
RMSE/CEP/95%误差
可用性与连续性
完好性监测
测试场景设计
27
功能安全与冗余
ISO 26262
功能安全等级
多源冗余设计
故障检测切换
28
典型V2X场景定位方案
高速公路
城市交叉口
隧道场景
地下停车场
29
定位系统集成与测试
硬件平台搭建
软件架构设计
数据采集回放
实车测试流程
30
未来趋势与挑战
L5定位需求
6G定位展望
AI与定位融合
标准化进展