S02
传感器与状态估计
高中 · 10–12 年级 · 10 课时 × 40–45 分钟
核心问题：怎样把带噪声的传感器数据，变成可信的位置与姿态？
项目目标
- 能完成编码器、IMU、测距传感器的标定
- 理解轮式里程计与航向角误差来源
- 能实现互补滤波与一维卡尔曼滤波并评估效果
领域落点
AI：状态估计是感知与决策之间的桥梁
硬件：编码器、IMU、激光雷达/ToF、下位机
算法：最小二乘、互补滤波、卡尔曼滤波
10 课时大纲
2 + 6 + 2| 课次 | 课题 / 驱动问题 | 关键知识点 | 学生任务 | 产出 |
|---|---|---|---|---|
| L01 | 传感器标定 读数为什么总差一点？ | 系统误差与随机误差；线性标定与最小二乘；标定流程 | 标定轮径与轮距：直线 2m、原地转 10 圈，用最小二乘拟合实际参数。 | 标定参数表 |
| L02 | 轮式里程计 两个轮子怎样推算位姿？ | 差速运动学；积分方法（欧拉/中点）；累积误差 | 实现里程计积分节点，走正方形闭合路线，测量终点误差并分析来源。 | 里程计节点 + 误差 |
| L03 | IMU 与互补滤波 陀螺仪漂移，加速度计抖动，听谁的？ | 陀螺仪积分漂移；加速度计重力方向；互补滤波原理 | 实现互补滤波估计俯仰角，比较单独陀螺仪、单独加速度计与融合结果。 | 互补滤波曲线 |
| L04 | 激光雷达模型 一帧雷达数据包含什么？ | 极坐标与量程；噪声模型；运动畸变 | 分析静止与运动状态下的雷达点云，测量角分辨率与测距噪声。 | 雷达特性报告 |
| L05 | 卡尔曼滤波 怎样用“预测+校正”降噪？ | 状态方程与观测方程；协方差与增益；一维/二维实现 | 对“机器人沿直线运动+测距观测”实现一维 KF，调 Q/R 观察收敛与滞后。 | KF 实现 + 参数 |
| L06 | 时间同步与延迟 数据晚到 50ms 会怎样？ | 时间戳与时钟源；消息延迟；运动补偿 | 测量从传感器采样到上位机处理的端到端延迟，做一次时间戳对齐实验。 | 延迟测量报告 |
| L07 | 异常值处理 偶尔一个离谱读数要不要信？ | 离群点检测（3σ/中位数）；限幅与剔除；鲁棒滤波 | 在测距数据中注入 5% 异常值，比较均值、中位数与限幅滤波的效果。 | 鲁棒性对比 |
| L08 | 多传感器融合实验 1+1 能否大于 2？ | 融合架构（松耦合/紧耦合）；信息冗余；一致性检查 | 融合编码器、IMU 与雷达测距，跑同一路线，比较三种组合的定位误差。 | 融合实验数据 |
| L09 | 精度评估 怎样客观评价“更准”？ | 真值获取；RMSE/最大误差；重复性与置信区间 | 用卷尺标记真值点，统计各方案 RMSE 与最大误差，画误差箱线图。 | 精度评估报告 |
| L10 | 技术报告 把实验写成别人能复现的报告 | 方法/装置/步骤；数据与图表；结论与局限 | 撰写 1500 字技术报告，附参数、代码提交哈希与复现步骤。 | 技术报告 |
说明：本页是教程副本（大纲级），不是完整课件。完整课件、教案、学案、代码与仿真场景按学校进度单独导出。