如今许多高阶辅助驾驶车型都同时搭载了摄像头和激光雷达（LiDAR，即通过发射激光脉冲精确测量车辆与周围物体距离的传感器），两者结合能让系统在晴天看清路况的同时测准距离。但据盖世汽车10月9日报道，新加坡科技设计大学（SUTD）Zhao Na助理教授团队主导的两项研究指出，现有融合模型往往过度依赖单一传感器，导致雨雾、夜间场景下感知能力骤降。他们研发的CCF与PanDA双模型，核心价值在于让系统能根据环境动态调整对各个传感器的信任度，从而提升恶劣天气下的行车安全性。
要理解这项技术的价值，得先看看现在的车是怎么“看”路的。目前量产的高阶智驾主要分为纯视觉和多传感器融合两条路线。纯视觉方案依赖高算力算法从图像中推断三维环境，硬件成本较低，但在强光眩光、暴雨或无路灯的黑夜容易失效；多传感器融合则通过不同物理原理实现冗余校验，可靠性更高。然而，传统的融合方式存在一个隐蔽缺陷：由于训练数据多为清晰的日间影像，模型会不自觉地“偏科”。SUTD团队在分析标准检测器训练过程时发现，激光雷达生成的候选目标与真实物体匹配的频率，竟然是摄像头候选目标的37.5倍。这意味着一旦遇到雨水散射激光束的场景，系统就会因为过度依赖激光雷达而出现漏检。
针对这一痛点，Zhao Na团队提出了两套互补方案。第一套是CCF（互补协同融合）方法，它改变了检测器对各传感器权重的分配逻辑，使系统能够适应新环境。第二套是PanDA（无监督域自适应）方法，它利用新环境中的无标签数据，帮助模型在进入陌生工况后实现自我调整。正如Zhao Na所言：“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。”这两项研究旨在让系统具备超越训练环境的泛化能力。相比上一代固定权重的融合算法，这种动态调节机制相当于给智驾系统装上了“环境感知开关”，能根据当前谁看得更清，就更多地听谁的。
那么，这种底层算法的优化，对我们日常用车有什么实际影响？最直接的好处体现在恶劣天气下的辅助驾驶可用性上。当你在暴雨天或大雾中开启高速NOA（领航辅助驾驶，即车辆能在特定道路上自动控制车速、转向和变道的功能）时，如果系统仍按晴天逻辑运行，可能会因激光雷达被水雾干扰而频繁降级甚至退出。而搭载类似动态融合技术的系统，会在感知到雨雾后自动降低激光雷达的决策权重，转而更多依赖摄像头的纹理识别来维持车道保持和前车跟随。此外，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）》也印证了这一趋势：随着高阶辅助驾驶和L3级自动驾驶推进，4D成像毫米波雷达分辨率提升、摄像头感知算法增强，融合方案在量产车中的渗透率正在持续提高。不过需要明确的是，这类技术目前仍处于科研验证阶段，距离真正写入你爱车的智驾芯片还需要时间，且即便应用，其能力边界依然受限于L2+或L3级别的法规框架，驾驶员仍需随时准备接管。
为了更直观地看出技术差异，我们将SUTD的新方案与行业主流路线做个对比：
- 传统静态融合方案：基于清晰日间数据训练，激光雷达候选目标匹配率是摄像头的37.5倍，雨天易因光束散射失效，夜间易受眩光干扰，权重固定无法动态调节。
- SUTD CCF方案：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，解决传感器依赖失衡问题。
- SUTD PanDA方案：利用新环境中的无标签数据进行无监督域自适应，帮助模型在进入该环境后实现自我调整，提升跨场景泛化能力。
- 行业演进方向：据产业调研网报告，未来算法层面将结合BEV感知（鸟瞰图视角，把多个摄像头画面拼接成上帝视角）、占据网络和端到端模型，进一步增强传感器数据的语义理解与决策联动。
从技术成熟度来看，SUTD的CCF和PanDA目前属于学术界的前沿探索成果，尚未有具体车企宣布将其部署于量产车型。要实现工程化落地，还需解决几个现实问题：一是车端算力限制，动态权重计算对车载芯片的TOPS（每秒万亿次运算，衡量智驾芯片算力的单位）提出了更高要求；二是极端工况下的长尾测试，实验室里的无标签数据自适应能否应对现实中千奇百怪的暴雨、团雾组合场景，仍需海量路测验证。同时，国内如昆明理工大学等机构也在滇中新区开展多传感器融合定位与智能导航的工程验证，说明产学研协同正在加速这一领域的探索。
总结来说，新加坡科技设计大学的双传感器融合技术精准切中了当前多模态智驾系统的软肋——静态权重导致的恶劣天气感知失效。虽然它暂时还停留在论文和实验室阶段，但其“动态信任”的思路为下一代融合算法指明了方向。对于近期打算购车的消费者而言，如果你所在地区多雨多雾，建议优先选择搭载多传感器融合方案且算力储备充裕的车型，并在实际体验中重点关注其在雨夜工况下的辅助驾驶降级策略是否平滑，毕竟现阶段没有任何一套智驾系统能做到全天候完全脱手。