当传感器检测与轨迹的关联不明确时跟踪目标。在本例中，您使用一个单假设跟踪器、一个多假设跟踪器和一个概率数据关联跟踪器来比较跟踪器如何处理这种模糊性。为了更好地跟踪机动目标，需要利用各种模型来估计目标的运动。

跟踪大量的对象。基于全局最近邻多目标跟踪器，trackerGNN，用来估计鸟群中每只鸟的运动。

使用trackerGNN跟踪大量的目标。类似的技术也可以应用于trackerJPDA和trackerTOMHT也

调整并运行一个跟踪器来跟踪场景中的多个对象。该示例解释并演示了传感器融合和跟踪工具箱中跟踪器关键属性的重要性。

设计并测试一种多车道跟踪算法。该算法在一个带有概率车道检测的驾驶场景中进行了测试。

处理多传感器跟踪系统中的无序测量(OOSM)。该示例比较了使用各种处理技术时OOSM的跟踪结果。有关OOSM处理技术的更多信息，请参见使用过滤器反向处理无序测量示例。

在Simulink®中使用传感器融合和跟踪工具箱在模拟公路场景中配置和利用GNN和JPDA跟踪器。万博1manbetx它紧跟在Simulink(自动驾驶工具箱)中利用合成雷达和视觉数据进行传感器融合的技术。万博1manbetx在Simulink中对系统建模的一个主要好处是可以简单地执行“假设”分析，并根据需万博1manbetx求选择产生最佳性能的跟踪器。

当传感器检测与轨迹的关联不明确时，万博1manbetx使用传感器融合和跟踪工具箱在Simulink®中跟踪对象。它紧跟着在模糊状态下跟踪紧密间隔目标的MATLAB®例子。

为处理检测和输出轨迹的MATLAB函数生成C代码。函数包含trackerGNN，但任何追踪器都可以代替。

在轨迹来自具有不同状态定义的异构源的场景中，为轨迹级融合算法生成代码。本示例基于雷达和激光雷达数据的轨迹级融合示例，其中激光雷达和雷达源生成的轨迹的状态空间不同。