ecent年份见证了人工智能（AI），机器学习（ML），计算机视觉和自主系统的巨大发展。AI专注于将人类智能纳入机器，但ML可以看作是旨在增强计算机系统能力具有“学习”能力的一系列工具。AI被视为更广泛的概念[1]。图1显示了这三个相关领域之间的关系。根据传感器数据融合和国家信息融合学会（ISIF）的考虑，ML的区域已具有不同的发展，并以各种方式 - 从生物学启发的神经网络到序列化的蒙特卡洛·卡洛概率方法，用于非高斯系统的非线性系统。但是，主要是在统治年份中，当ML方法变得流行并扩展到值得信赖的ML和可解释的AI时。这些尤其是与引入不同级别的自主权[2]，[3]的必要性联系在一起的，并找到带来解释性水平的事件的原因或因果关系。这两个尤其是与传感器数据相关的，如今数据既来自来自不同方式的“硬传感器”，例如雷达，声传感器，雷达，与光学，热摄像机和无线传感器网络相结合，也来自柔​​软的传感器（互联网，社交网络），例如Twitter，Twitter，Facebook，Facebook和其他）。此外，数据以不同的时间率和准确性水平到达。理解了如此多的杂项数据是一项充满挑战的任务，它已经广泛研究，但是为自主和半自治系统提供可靠的解决方案是一项仅在部分解决的任务。从这种类型的多个异质传感器中融合数据是挑战的一部分；当必须依次和实时执行统计决策时，更是如此。这对于安全关键任务（例如无人驾驶汽车（UAV），飞机飞行控制系统，未来的战斗飞机系统，数字卫生系统等）尤其重要。