卡尔曼滤波 · 导航融合

📚 30章 完整目录
01 卡尔曼滤波概述
状态估计问题 贝叶斯滤波基础 诞生与历史
02 数学基础（上）
高斯分布 协方差矩阵 矩阵运算回顾
03 数学基础（下）
最小二乘估计 加权最小二乘 递推最小二乘
04 离散卡尔曼滤波推导
系统模型 预测步骤 更新步骤 卡尔曼增益
05 一维卡尔曼滤波实例
温度估计 Python代码实现 可视化
06 多维卡尔曼滤波
向量空间模型 矩阵形式预测 矩阵形式更新
07 卡尔曼滤波特性分析
收敛性 一致性 可观性与可控性
08 扩展卡尔曼滤波（EKF）
非线性系统线性化 雅可比矩阵
09 EKF实例：移动机器人定位
激光雷达与里程计融合
10 无迹卡尔曼滤波（UKF）
UT变换 Sigma点选取 权重计算
11 UKF实例：车辆状态估计
与EKF对比分析
12 导航坐标系与刚体运动
地球坐标系 导航坐标系 姿态表示（欧拉角/四元数）
13 惯性导航系统（INS）原理
加速度计与陀螺仪 捷联惯导算法 IMU预积分
14 GPS定位原理
伪距测量 单点定位 差分GPS RTK
15 松耦合GPS/INS融合
架构设计 状态向量定义 观测方程
16 紧耦合GPS/INS融合
伪距/伪距率观测 深耦合简介
17 组合导航中的误差模型
IMU误差（零偏/比例因子） GPS误差（电离层/多径）
18 卡尔曼滤波的工程实现
数值稳定性 Joseph形式 UD分解滤波
19 自适应卡尔曼滤波
Sage-Husa滤波器 渐消记忆滤波 多模型方法
20 抗差卡尔曼滤波
异常值检测 M估计 Huber函数
21 联邦卡尔曼滤波
分散式架构 信息分配因子 子滤波器设计
22 视觉惯性里程计（VIO）中的滤波
MSF框架 状态扩增 边缘化
23 多传感器融合中的时间同步
硬件同步 软件插值 时间戳管理
24 卡尔曼滤波在自动驾驶中的应用
车辆运动模型 车道线融合 障碍物跟踪
25 卡尔曼滤波在无人机导航中的应用
视觉/IMU融合 地磁计辅助 气压计融合
26 卡尔曼滤波在机器人SLAM中的应用
EKF-SLAM FastSLAM简介 图优化与滤波对比
27 滤波器的性能评估
RMSE NEES NIS 蒙特卡洛仿真
28 卡尔曼滤波的C++实现
Eigen库使用 实时性优化 嵌入式部署
29 卡尔曼滤波的Python实现
FilterPy库 仿真框架搭建 数据分析
30 课程总结与前沿展望
因子图优化 图神经网络滤波 学习型卡尔曼滤波
📢 ：  |