课程介绍

欢迎来到《自驾车状态估计与定位》课程，这是多伦多大学自驾车专业化系列中的第二门课程。强烈建议您在学习本课程之前，先学习该专业化系列中的第一门课程。

本课程将为您介绍不同的传感器以及如何利用这些传感器进行自驾车中的状态估计与定位。完成本课程后，您将能够理解用于状态和参数估计的关键方法。

课程大纲

模块0: 课程简介

本模块介绍了课程中讨论的主要概念，并展示了课程的布局。还讨论了自驾车状态估计与定位所面临的问题。为了安全驾驶，准确估计车辆状态及其在道路上的位置至关重要。

模块1: 最小二乘法

最小二乘法是由卡尔·弗里德里希·高斯于1795年开发的一种著名的参数估计技术。本模块将回顾最小二乘法，包括无权和加权观测的情况，并建立最小二乘法与最大似然估计器之间的深层联系。最后，模块还将介绍如何将传统的“批量”最小二乘估计器转换为递归形式，以适应在线实时估计应用。

模块2: 状态估计 – 线性与非线性卡尔曼滤波器

在自主车辆领域，每位工程师都必须了解卡尔曼滤波器。历史论文阐述了这一滤波器，因其重要性而被认定为20世纪十大算法之一。模块将推导卡尔曼滤波器方程，并探讨其在非线性系统中的扩展，增强工程师的工具箱。

模块3: GNSS/INS传感技术

为了可靠导航，无人驾驶车辆需要实时了解其在世界（及路面）上的姿态（位置与方向）。本模块介绍了惯性测量单元和GPS的传感器模型，评估其性能和噪声特性，并探讨如何结合这两种传感器系统以提供准确的姿态估计。

模块4: LIDAR传感

LIDAR（光测距）传感是自驾车技术的关键。本模块将开发基础的LIDAR传感器模型，并探索如何利用LIDAR数据生成点云，以确定车辆的姿态变化。

模块5: 综合应用 – 自主车辆状态估计器

最后一个模块将前四个模块的内容结合起来，目标是构建一个完整的车辆状态估计器。学习者将使用CARLA模拟器的数据，构建一个基于误差状态扩展卡尔曼滤波器的估计器。

《自驾车状态估计与定位》课程通过深入的模块设计，不仅介绍了理论知识，还强调了实际应用，让学习者能够在复杂的环境中进行实时状态估计。每个模块都包含丰富的案例和实践，确保学习者能够很好地理解和应用所学内容。在这个日益自动化的世界中，掌握这样的技能无疑是朝着未来迈出的重要一步。