• 学习时长

    8周/建议每周8个小时

  • 答疑服务

    专属微信答疑群/讲师助教均参与

  • 作业批改

    每章节设计作业/及时批改评优

  • 第1章: 3D激光里程计
  • 第1节: 里程计方案:LOAM/ALOAM/FLOAM/LEGO-LOAM理论及代码讲解
  • 第2节: 里程计方案:ICP/NDT 理论讲解
  • 第3节: 里程计方案:点云畸变补偿方法
  • 第4节: 基于EVO的里程计精度评价方法
  • 第5节: 基于KITTI数据集的激光里程计实现
  • 第2章: 点云地图构建及基于地图的定位
  • 第1节: 基于初始位姿的回环检测方法
  • 第2节: 基于scan-context的回环检测及代码实现
  • 第3节: 点云地图构建:基于回环的修正原理及先验观测的误差修正原理
  • 第4节: 建图流程代码实现
  • 第5节: 基于点云地图的定位:位姿初始化与地图动态加载
  • 第6节: 定位流程代码实现
  • 第3章: 惯性导航原理及误差分析
  • 第1节: IMU误差分析及处理:随机误差理论分析&allan方差分析及实现
  • 第2节: 内参标定:内参模型与分立级、系统级、迭代优化等标定方法
  • 第3节: IMU温补:常见温补模型与基于多项式拟合的温补方法
  • 第4节: 惯性导航解算方法
  • 第5节: 惯性导航误差模型
  • 第4章: 基于滤波的融合方法
  • 第1节: KF/EKF/PF滤波器基本原理
  • 第2节: 观测性分析
  • 第3节: 基于滤波的融合实现:基于IMU和点云地图的融合原理
  • 第4节: 基于KITTI数据集的融合实现
  • 第7章: 多传感器时空标定
  • 第1节: 传感器时间同步:硬件时间同步&时间差标定
  • 第2节: 传感器外参标定:基于运动的误差模型及实现
  • 第3节: 传感器外参标定:基于特征的误差模型及实现

相关推荐

计算机视觉 智能机器人 SLAM/VIO 基础
智能机器人 SLAM/VIO 基础