了解传感器融合和追踪

该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。 视频中还涵盖了一些场景，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。

该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。

该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。

该视频介绍了如何通过交互的多个模型滤波器估算状态来跟踪单个对象。 我们建立了对IMM滤波器的一些直观了解，并展示了它是一种比单模型卡尔曼滤波器更好的跟踪算法。
让跟踪更难的部分是，我们通常必须用较少的信息来完成跟踪。我们将介绍IMM滤波器如何弥补信息的不足，并展示一些仿真的结果。

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。

深入了解轨迹级融合（或轨迹融合），需要它的跟踪情况类型以及与此相关的一些挑战。
您将看到两种不同的跟踪架构-轨到轨融合和中央级跟踪-并了解选择一种架构而不是另一种架构的好处。

• 课时1：什么是传感器融合 (12分34秒)

• 课时2：融合磁力计、加速计和陀螺仪来估计方向 (16分0秒)

• 课时3：融合GPS和IMU估计姿势 (14分0秒)

• 课时4：使用IMM滤波器跟踪单个对象 (16分7秒)

• 课时5：如何一次跟踪多个对象 (15分27秒)

• 课时6：什么是轨迹级融合（或轨迹融合） (15分25秒)