卡尔-弗里德里希-高斯（Carl Friedrich Gauss）于 1795 年提出的最小二乘法是一种众所周知的从数据中估计参数值的技术。本模块针对非加权观测值和加权观测值，对最小二乘法进行了回顾。最小二乘法和最大似然估计法（当观测值被认为是高斯随机变量时）之间有很深的联系，本模块将建立并解释这种联系。最后，该模块开发了一种技术，将传统的 "批处理 "最小二乘估计器转换为递归形式，适用于在线实时估计应用。

任何从事自动驾驶汽车研究的工程师都必须了解卡尔曼滤波器，鲁道夫-卡尔曼（Rudolf Kalman）在 1960 年的一篇论文中首次描述了卡尔曼滤波器。卡尔曼滤波法被公认为 20 世纪十大算法之一，在智能手机和现代喷气式飞机上运行的软件都采用了卡尔曼滤波法。本模块从最小二乘法的角度推导线性系统的卡尔曼滤波方程。该模块还研究了卡尔曼滤波器为何是最佳线性无偏估计器（即在线性情况下是最优的）。最初发布的卡尔曼滤波器是一种线性算法，但实际上所有系统在某种程度上都是非线性的。卡尔曼滤波器问世后不久，它就被扩展到非线性系统，形成了现在被称为 "扩展 "卡尔曼滤波器或 EKF 的算法。EKF 是状态估计器的 "面包和黄油"，应该放在每个工程师的工具箱中。本模块解释了 EKF 的工作原理（即通过线性化），并讨论了它与原始卡尔曼滤波器的关系。本模块还概述了无香味卡尔曼滤波器（或称 UKF），它是卡尔曼滤波器家族中最近开发的一个非常受欢迎的成员。

为了可靠地导航，自动驾驶汽车需要随时估计自己在世界（和道路）中的姿态（位置和方向）。与现代飞机一样，这些信息可以从 GPS 测量数据和惯性导航系统 (INS) 数据的组合中获得。本模块介绍了惯性测量单元和 GPS（以及更广泛的全球导航卫星系统）接收器的传感器模型；回顾了性能和噪声特性。该模块介绍了如何将这两种传感器系统结合使用，以提供准确、可靠的车辆姿态估计。

激光雷达（光探测和测距）传感技术是自动驾驶汽车的一项使能技术。激光雷达传感器比摄像头 "看 "得更远，能够提供精确的测距信息。本模块将建立一个基本的激光雷达传感器模型，并探索如何利用激光雷达数据生成点云（特定参考框架中三维点的集合）。学员将研究如何对两个激光雷达点云进行注册或对齐，以确定车辆姿态随时间的变化情况（即两个本地参考帧之间的变换）。

本模块将模块 1-4 的材料结合在一起，目的是开发一个完整的车辆状态估计器。学员将使用 CARLA 模拟器的数据，建立一个基于误差状态扩展卡尔曼滤波器的估计器，该估计器结合 GPS、IMU 和激光雷达测量数据，以高更新率确定车辆在道路上的位置和方向。将有机会观察当一个或多个传感器 "退出 "或失效时，状态估计的质量会发生什么变化。