• 学习时长

    11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

  • 免费 任务1: 基于SVD的ICP理论讲解 31:44 预览
  • 任务2: 【作业环境】Courseware.zip
  • 第1章: 概述
  • 第1节: 行业发展现状
  • 第2节: 企业招聘现状
  • 第3节: 课程设置
  • 第4节: 作业环境搭建
  • 第2章: 3D激光里程计 I
  • 第1节: 基于SVD方法的 ICP 理论讲解
  • 第2节: 凸优化基础
  • 第3节: 基于优化的ICP
  • 第4节: NDT理论讲解
  • 第5节: 点云畸变补偿方法
  • 第6节: 基于KITTI数据集的实现:KITTI数据集使用方法&基于KITTI的激光里程计实现
  • 第3章: 3D激光里程计 II
  • 第1节: 点、线、面计算几何基础
  • 第2节: 点云线面特征提取
  • 第3节: 基于线面特征的位姿优化
  • 第4节: ALOAM 理论及代码讲解
  • 第5节: FLOAM 理论及代码讲解
  • 第6节: 基于KITTI数据集的实现
  • 第4章: 点云地图构建及基于地图的定位
  • 第1节: 基于回环的误差修正原理
  • 第2节: 基于先验观测的误差修正原理
  • 第3节: 建图流程及代码实现
  • 第4节: LEGO_LOAM 代码讲解
  • 第5节: 位姿初始化
  • 第6节: 地图动态加载
  • 第7节: 定位流程及代码实现
  • 第5章: 惯性导航原理及误差分析
  • 第1节: 惯性技术简介
  • 第2节: 惯性期间误差分析及处理:随机误差分析理论、allan方差分析
  • 第3节: 内参标定:内参模型、基于转台的标定方法&不依赖转台的标定方法
  • 第4节: IMU温补
  • 第7章: 基于滤波的融合方法 I
  • 第1节: 概率基础知识
  • 第2节: KF/EKF/IEKF 模型推导
  • 第3节: ESKF推导
  • 第4节: 基于IMU和点云地图的融合原理
  • 第5节: 基于KITTI数据集的融合实现
  • 第8章: 基于滤波的融合方法 II
  • 第1节: 编码器运动模型推导
  • 第2节: 融合运动约束与点云特征的滤波方法
  • 第3节: 融合编码器的滤波方法
  • 第4节: 融合运动约束的滤波方法
  • 第5节: 融合点云特征的滤波方法
  • 第6节: R-LINS 介绍
  • 第9章: 基于图优化的建图方法
  • 第1节: 预积分原理:基于IMU的预积分模型推导、基于预积分的优化方法
  • 第2节: 基于预积分的实现:LIO-SAM介绍、KITTI中基于预积分建图方法
  • 第3节: 编码器预积分模型
  • 第4节: 基于编码器预积分的优化方案
  • 第10章: 基于图优化的定位方法
  • 第1节: 滑动窗口方法:原理及模型&边缘化原理推导
  • 第2节: 边缘化代码实现:边缘化代码实现原理&lio-mapping 理论及代码讲解
  • 第3节: 基于KITTI的实现:KITTI点云地图中基于图优化定位方法
  • 第11章: 多传感器时空标定(综述)
  • 第1节: 内参标定:雷达/相机等内参标定
  • 第2节: 外参标定:基于共视特征的联合标定、基于融合的在线标定&手眼标定方法
  • 第3节: 时间标定:基于离散时间的标定&基于连续时间的标定

相关推荐

智能机器人 运动规划 定位与建图 ROS 基础
计算机视觉 智能机器人 定位与建图 基础
智能机器人 定位与建图 高级
智能机器人 定位与建图 基础