据盖世汽车10月9日报道，新加坡科技设计大学（SUTD）Zhao Na助理教授团队主导完成了两项关于双传感器融合技术的研究，旨在提升自动驾驶系统在雨雾等恶劣天气下的感知能力。在智能驾驶从L2+向L3及以上级别跨越的关键节点，感知层的可靠性直接决定了整车的安全冗余上限。这项来自学术界的底层算法突破，切中了当前多传感器融合方案中“偏科”的产业痛点，为供应链中游的算法优化和下游的量产落地提供了新的技术路径。
长期以来，主流自动驾驶感知系统依赖摄像头与激光雷达（LiDAR）的协同工作。摄像头负责捕捉颜色、纹理及轮廓，激光雷达则通过发射激光脉冲精确测量距离。然而，据盖世汽车报道，这种硬件组合在实际工程中存在显著缺陷：由于融合模型主要基于清晰的日间影像进行训练，系统往往倾向于依赖在特定环境下表现最佳的单一传感器。SUTD团队在分析标准检测器的训练过程时发现了一个关键数据——激光雷达生成的候选目标与真实物体匹配的频率是摄像头候选目标的37.5倍。传统的评估方式仅关注最终融合结果，掩盖了这一严重的不平衡现象。当遭遇雨水散射激光雷达光束，或夜间强光眩光干扰摄像头时，这种静态权重分配便会导致系统失效。
针对这一问题，Zhao Na团队构建了两个不同的模型。第一项名为《CCF：面向域泛化多模态3D目标检测的互补协同融合》的研究，核心在于调整检测器对各传感器权重的分配方式，使其能够适应新环境；第二项名为《PanDA：自动驾驶中多模态3D全景分割的无监督域自适应》的研究，则利用新环境中的无标签数据，帮助模型在进入该环境后实现自适应。“真正的挑战不仅仅在于噪声的增加，更在于各传感器的可靠性会发生动态变化，”Zhao Na表示，“我们的研究旨在让系统具备超越训练环境的泛化能力，并能根据可用信息的变动，动态调整模型对各个传感器的依赖程度。”
将这一技术事件置于整个自动驾驶产业链中审视，其意义远超一篇学术论文。据产业调研网发布的《中国汽车关键自动驾驶传感器行业研究及前景趋势分析报告（2026-2032年）》，当前汽车关键自动驾驶传感器技术路线分为纯视觉和多传感器融合两类。纯视觉方案成本较低但受光照、天气影响大；而多传感器融合方案在雨雾、夜间等复杂场景下可靠性更高。随着高阶辅助驾驶推进，激光雷达成本下降与4D成像毫米波雷达分辨率提升，融合方案在量产车中的渗透率正持续提高。SUTD的动态权重分配算法，恰好补齐了融合方案在软件层面的短板。
与此同时，政策法规正在倒逼感知技术的升级。据新浪网10月5日报道，8月道路交通安全法修订草案新增了“自动驾驶汽车特别规定”专章，明确自动驾驶功能激活状态下发生交通违法由生产或进口企业承担责任。这意味着车企必须为感知系统的失效兜底，任何因天气导致的传感器失灵都可能转化为巨大的财务赔偿风险。此外，据云南日报和昆明信息港10月7日报道，国内如昆明理工大学与滇中新区共建的未来交通创新研究院，也在重点开展多传感器融合定位等技术研究，并已应用于本地企业的智能网联汽车中。产学研各方都在加速攻克复杂场景下的感知难题。
从利益相关方博弈的角度来看，SUTD的技术突破将重塑产业链的价值分配。对于上游传感器供应商而言，过去车企为了弥补算法融合的不足，往往倾向于堆砌高线数激光雷达等高毛利硬件。若动态融合算法成为行业标配，车企对单一高性能传感器的依赖度可能降低，转而追求性价比更高的传感器组合，这将压缩部分硬件厂商的毛利率。对于中游的自动驾驶软件公司及Tier 1供应商，掌握类似CCF和PanDA这样能解决“长尾场景”的核心算法，将成为获取车企定点项目的关键壁垒，具备更强议价权。对于下游整车厂，提升全天候感知能力不仅能降低事故率以应对新规下的责任风险，还能扩大高阶智驾功能的可用范围（ODD），直接转化为产品溢价和用户订阅收入。
展望未来推演，短期内此类学术界的双传感器融合算法需经历严苛的车规级验证。自动驾驶大模型训练高度依赖云端算力，正如业内头部车企已率先布局智算中心用于模型训练提速，SUTD的无监督域自适应模型若要走向量产，同样需要庞大的真实路况数据进行闭环迭代。中期来看，随着BEV感知、占据网络以及端到端模型的普及，多模态大模型将进一步增强传感器数据的语义理解与决策联动。动态权重分配有望从当前的“摄像头+激光雷达”双模态，扩展至包含毫米波雷达、红外热成像在内的全维度融合。关键变量在于，这套算法能否在有限的车端算力下实现低延迟运行，以及能否在跨国界的不同道路环境中保持泛化能力。
自动驾驶感知的终局不是硬件的无限堆砌，而是软硬件协同下的极致效率。SUTD的动态双传感器融合技术，正是推动行业从“拼硬件”向“拼算法”转型的一块重要拼图。