贝叶斯更新(Bayesian updating)是概率论中基于贝叶斯定理的一种推理方法，它允许系统在获得新证据时动态调整对某个假设的置信程度。其核心思想是将先验概率（初始信念）与新观测数据的似然函数相结合，通过贝叶斯公式计算出后验概率（更新后的信念）。这个过程体现了“从经验中学习”的智能特性，特别适合处理自动驾驶系统中传感器数据融合、环境状态估计等不确定性问题。
在自动驾驶领域，贝叶斯更新被广泛应用于多传感器信息融合与目标跟踪。例如当毫米波雷达、激光雷达和摄像头对同一障碍物的探测结果存在差异时，系统可以通过贝叶斯框架持续整合各传感器的观测数据，逐步修正对障碍物位置、速度等状态的估计。这种递推式更新的特性，使得自动驾驶系统能够像人类驾驶员一样，随着观察信息的积累不断提升环境感知的准确性。延伸阅读推荐《Probabilistic Robotics》（Thrun等人著）中第三章对贝叶斯滤波在机器人领域的应用有系统阐述。