课程主页: https://www.coursera.org/learn/state-estimation-localization-self-driving-cars
课程介绍
欢迎来到多伦多大学的《自驾车的状态估计与定位》课程，这是自驾车专业化的第二门课程。建议在参加此课程之前先完成第一门课程。
本课程将带您深入探讨不同传感器及其在自驾车中的状态估计和定位应用。通过学习本课程，您将能够理解用于参数和状态估计的关键方法。
课程大纲
模块0：课程概述
该模块介绍课程的主要概念，并展示课程布局，描述自驾车状态估计和定位问题的背景和重要性。
模块1：最小二乘法
学习最小二乘法，该方法由卡尔·弗里德里希·高斯于1795年提出，为数据估计参数值的经典方法。
模块2：状态估计 – 线性与非线性卡尔曼滤波器
深入了解卡尔曼滤波器，这是一种重要的状态估计技术，适用于线性系统和扩展到非线性系统的算法。
模块3：GNSS/INS传感器模型
学习如何结合GPS和惯性导航系统（INS）数据来可靠地估计车辆的姿态（位置和方向）。
模块4：激光雷达（LIDAR）传感技术
激光雷达是自驾车的一项关键技术，能够提供精确的范围信息和3D点云数据。
模块5：组合模块 – 自主车辆状态估计器
开发基于扩展卡尔曼滤波器的状态估计器，结合GPS、IMU和激光雷达数据，实现高更新率的车辆状态估计。
总结
这门课程为那些希望深入了解自驾车中状态估计和定位技术的学生提供了一条清晰的学习路径，无论是理论知识还是实践操作，课程都很全面。对于工程师或对自驾车技术感兴趣的学习者来说，本课程都是不可错过的选择。
课程主页: https://www.coursera.org/learn/state-estimation-localization-self-driving-cars