新加坡科技设计大学Zhao Na助理教授主导的研究团队，针对自动驾驶系统在恶劣天气下传感器融合失效的问题，提出了两项新的解决方案。当前，多数自动驾驶系统融合摄像头与激光雷达数据，但训练数据以晴朗白天为主，导致模型在雨雾或夜间场景中，容易过度依赖单一传感器，造成感知偏差。
研究团队发现，在标准检测器训练过程中，激光雷达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。这种不平衡导致模型在实际应用中，面对雨水散射激光雷达光束或夜间摄像头受强光眩光干扰等情况时，无法及时切换为依赖可靠性更高的传感器。Zhao Na表示，真正的挑战在于各传感器的可靠性会随环境动态变化，研究目标是让系统具备超越训练环境的泛化能力，并动态调整对各个传感器的依赖程度。
在《CCF：面向域泛化多模态3D目标检测的互补协同融合》研究中，团队修改了检测器内部分配给各传感器的权重机制。该方法不再将融合策略固定在训练时形成的模式中，而是让模型在面对新环境时，能够自动识别当前哪种传感器的数据更有价值，并相应提升其决策权重。
另一项研究《PanDA：自动驾驶中多模态3D全景分割的无监督域自适应》则聚焦于模型进入新环境后的自适应能力。团队利用新场景中未经标注的数据，让模型在实际运行中快速学习该场景下的传感器特性，无需人工重新标注海量数据，即可完成对雨雾、夜间等复杂光照和天气条件的适配。
多传感器融合路线的长期价值在于其冗余校验能力。当一套传感器因外部条件出现短暂失效或精度下降时，另一套基于不同物理原理的传感器仍能维持系统对周围环境的感知底线。这与纯视觉方案形成互补，尤其对于寻求在L3级及以上自动驾驶中保障安全的整车企业而言，融合方案的感知鲁棒性是量产规划中的重要考量。
从产业链视角看，此类算法进步将反向推动传感器硬件迭代。感知算法越能精细化区分不同传感器的置信度，就越能释放4D成像毫米波雷达、固态激光雷达等新型硬件的性能冗余，加速它们从高端车型向主流市场下探。