该视频介绍了跟踪多个对象时出现的两个常见问题：数据关联和跟踪维护。我们介绍了解决这些问题的几种方法，并提供了解决所有多对象跟踪问题的一般方法。我们介绍了数据关联算法，例如全局最近邻（GNN）和联合概率数据关联（JPDA），并介绍了删除和创建轨道的标准。我们还将谈论门控筛选机制，以免浪费计算资源。在视频的结尾，我们展示了一个GNN和JPDA算法在两个紧邻的对象上运行的示例。

在自动驾驶车辆的未来和提高安全性方面，将汽车和周围的基础设施互联起来可能会发挥重要作用。然而，关于技术和标准的争议正在拖延全球布局。当中国专注于在汽车上使用5G技术时，其他市场正在讨论是选择5G蜂窝技术还是选择更老旧的wifi技术。彭博社的埃德·拉德洛报道了“彭博技术”。

本视频概述了什么是传感器融合及其在自主系统设计中的应用。视频中还谈及了一些场景，这些场景介绍了实现传感器融合的各种不同方式。传感器融合是确认定位、位置以及检测和物体跟踪的关键部分。我们将证明传感器融合不仅仅是一个卡尔曼滤波器。它是一整套算法，可以融合来自多个源的数据以更好地估计系统状态。传感器融合的四个主要好处是可以提高测量质量，可靠性和覆盖范围，并能够估算未直接测量的状态。传感器融合在完全不同类型的自主系统中具有如此广泛的吸引力这一事实使它成为一个有趣而又有意义的学习主题。

本视频介绍了如何使用磁力计，加速计和陀螺仪估算物体的方向。目的是展示这些传感器如何为解决方案做出贡献，并解释一些注意事项。我们将介绍什么是方向（或姿态）以及如何使用加速计和磁力计确定方向。我们还将讨论为硬铁源和软铁源校准磁力计，以及应对加速度损坏的方法。我们还将展示一个简单的航位推算解决方案，该解决方案可单独使用陀螺仪。最后，我们将介绍混合三个传感器的解决方案的概念。

在辅助自动驾驶过程中，车辆必须始终能够可靠地检测到人和物体，并对此做出正确的反应。博世雷达传感器由于其探测距离远、视场宽、角度可分性突出和新的Chirp序列调制功能，使得快速、精确和弹性的目标检测和跟踪变得容易。这使得它非常适合复杂的交通场景。

本视频通过展示如何使用GPS和IMU估计物体的方向和位置，继续了我们关于将传感器融合用于点定位和相对位置定位的讨论。我们将介绍该算法的结构，并向您展示GPS和IMU如何共同在最终解决方案中发挥作用，从而使您对问题有更直观的了解。

在世界上最混乱的街道上测试无人驾驶汽车，听起来不是个好主意。加入我们的行列，我们将从英特尔旗下的Mobileye公司出发，绕耶路撒冷一圈。

从工厂车间的机器人到道路上的自动驾驶汽车，人工智能正在改变汽车行业。这项新技术有很大的发展空间，可以提高汽车制造过程中的效率、生产率和安全性。在未来五年内，人工智能有望彻底改变这个行业。DataProphet公司首席执行官Frans Cronje表示:“我认为人工智能在制造业中的应用仅限于预测性维护，在未来五年内，人工智能在制造业中的应用将会更加广泛，因为人们对它的价值有了更多的了解。”