（1）自动驾驶概论与技术架构：了解自动驾驶的发展历程（从DARPA挑战赛到商业化落地）、国内外发展现状与未来趋势。掌握SAE J3016驾驶自动化分级标准（L0-L5各级别的定义与区别）。理解自动驾驶车辆的系统架构，包括感知层、决策规划层、控制执行层的功能划分与数据流设计，以及软硬件平台组成（车载计算平台、电子电气架构）。
（2）车辆运动学与动力学基础：掌握车辆运动学模型（自行车模型、阿克曼转向几何）的建立方法，理解车辆在低速场景下的运动约束。学习车辆动力学模型（横向动力学、纵向动力学），了解轮胎模型、侧偏刚度等核心概念。掌握车辆线控底盘技术，包括线控转向、线控油门、线控制动系统的工作原理与接口控制方法。
（3）传感器技术与标定：系统学习自动驾驶核心传感器的工作原理与选型，包括摄像头（单目/双目/鱼眼）、激光雷达（机械式/固态）、毫米波雷达、超声波传感器和IMU/GNSS的组合导航设备。掌握传感器标定的完整流程，包括相机内参标定、激光雷达标定、相机-激光雷达联合标定、多传感器外参标定的原理与实践方法。
（4）环境感知：视觉感知技术：理解基于视觉的环境感知任务，包括目标检测（车辆、行人、交通标志）、车道线检测、可行驶区域分割、交通信号灯识别等。学习深度学习在视觉感知中的应用，包括CNN目标检测模型（YOLO系列、Faster R-CNN）、语义分割模型（U-Net、DeepLab）和BEV感知算法（Transformer、BEVFormer）。掌握多任务学习在感知中的统一框架设计。
（5）环境感知：激光雷达与多传感器融合：掌握基于激光雷达的点云处理技术，包括点云滤波、地面分割、聚类、目标检测与跟踪。学习点云深度学习算法（PointNet、PointPillars、VoxelNet）的原理与应用。理解多传感器融合的核心思想，掌握前融合、特征融合、后融合等不同融合策略的优缺点，实现相机与激光雷达的互补感知。
（6）定位与建图技术：掌握GNSS/INS组合定位原理，包括GPS定位、差分GPS（RTK）、惯性导航（航位推算）和松耦合/紧耦合组合方式。理解高精度地图的作用与构建方法，包括地图格式（OpenDRIVE、Apollo地图）、车道级地图要素和语义地图。学习同步定位与地图构建（SLAM）技术，包括视觉SLAM（ORB-SLAM）和激光SLAM（LOAM、Cartographer）的原理与应用。
（7）行为决策与路径规划：理解行为决策层的功能，包括驾驶行为决策（跟车、换道、超车、让行）和全局路径规划（路由寻径）。掌握基于规则的行为决策方法（有限状态机、决策树）和基于学习的方法（强化学习、深度强化学习）。学习路径规划算法，包括基于搜索的算法（Dijkstra、A*）、基于采样的算法（RRT、PRM）和轨迹规划方法（Lattice Planner）。
（8）运动规划与轨迹生成：深入理解运动规划的任务目标，生成满足车辆动力学约束、避障要求和舒适性指标的平滑轨迹。掌握时空联合规划方法，包括Frenet坐标系下的轨迹表示、ST图（速度规划）、SL图（路径规划）。学习优化-based的规划方法，包括二次规划（QP）、非线性规划在轨迹优化中的应用。了解开放空间规划算法，如混合A*搜索和OBCA优化。
（9）运动控制算法：掌握车辆横向控制（方向盘转角控制）和纵向控制（油门/刹车控制）的基本原理。学习经典控制算法，包括PID控制、纯跟踪（Pure Pursuit）、Stanley算法的原理与参数调优。掌握模型预测控制（MPC）的核心思想，包括预测模型建立、滚动优化、约束处理和代价函数设计，实现基于MPC的轨迹跟踪控制。
（10）智能网联与V2X技术：了解车路协同（V2X）的体系架构，包括车-车通信（V2V）、车-路通信（V2I）、车-人通信（V2P）和车-云通信（V2N）。掌握V2X关键技术，包括DSRC和C-V2X的技术对比、通信协议栈和应用层标准。学习基于V2X的协同感知、协同决策与协同控制应用，如交叉口碰撞预警、车队编队行驶、传感器共享等。
（11）仿真测试与评价体系：理解自动驾驶测试验证的重要性与挑战（长尾效应、场景覆盖度）。掌握主流仿真工具的使用，包括CARLA仿真器、Apollo仿真平台、VTD、SUMO等。学习场景设计与测试用例生成方法，包括基于场景的测试、虚拟里程测试、硬件在环（HIL）测试。掌握自动驾驶评价指标体系，包括安全性、舒适性、通行效率、功能完备性等维度的量化评估。
（12）综合项目实战：端到端自动驾驶系统开发：结合所学知识，完成一个完整的自动驾驶系统开发项目（如园区无人车、高速公路辅助驾驶系统、自动泊车系统等）。涵盖需求分析、传感器选型与布置、感知模型训练、决策规划算法设计、控制算法实现、仿真测试验证和实车部署（或高保真仿真）的全流程，形成规范的自动驾驶项目报告。
