本视频简要概述了自动驾驶汽车技术栈，侧重于讨论传感器和计算硬件。讲座的内容包括关于特斯拉自动驾驶仪2.0版硬件和第二代福特自动驾驶平台的案例研究。本课程是斯坦福商学院开放道路课程的一部分，我们专注于汽车驾驶和机动性的创新。

每一辆新特斯拉（包括Model 3）都配备了自动驾驶仪所需的硬件。自动驾驶仪是特斯拉的自适应巡航控制系统，最终有望支持全自动驾驶。然而，如果你想使用这些功能，你需要在购买新车时支付5000美元来激活，如果你以后决定购买，则需要支付7000美元。支持自动驾驶仪的硬件是什么？你如何使用它？这个功能值5000美元吗？本视频试图解释这个系统是如何工作的，如何使用它，以及作为消费者的你是否有必要购买它。

在未来，高度自动化的车辆将越来越多地出现在道路上。实现这一目标的一个重要前提是精确定位。这意味着车辆必须始终将自己当前位置的误差控制在几厘米之内，并且绝对可靠。

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。

本视频为您介绍了9款最佳智能汽车配件：1- Owl(车载智能安全摄像头) ；2- Roav VIVA（支持alexa的2端口USB汽车充电器）；3- iOttie轻松一触无线（Qi快充车载支架)；4- ZUS智能车辆健康监测器；5- ZUS智能轮胎安全监测器；6- ZUS 无线智能备份摄像头；7- ZUS车钥匙仪；8- ZUS万能HD汽车音频适配器；9- CarWink（让你可以通过表情符号与其他司机交流的智能设备）。

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。

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。

这是一个用3D物理模拟AI学习在停车场泊车的视频。模拟是使用Unity的ML-Agents框架实现的。AI由一个深度神经网络组成，包含3个隐藏层，每层128个神经元。它是用近端策略优化（PPO）算法训练的，这是一种强化学习方法。基本上，神经网络的输入是8个深度传感器的读数，汽车当前的速度和位置，以及它与目标的相对位置。神经网络的输出可解释为发动机力、制动力和转向力。