簡單來講，它是指通過一系列算法，將車身所搭載的各類型傳感器所探測的信息有機的整合到一起，最大化整車對環境的感知能力，從而為后端的行為決策和控制等模塊提供環境信息。 單個的感知傳感器通常由于探測機理、可視角度等原因，具有一定的感知局限性，如果說各個獨立的傳感器讓汽車擁有了眼睛，那么傳感器融合技術， 將使車身看得更清，告別“近視”。

傳感器融合按照其融合的作用，一般有補償式融合，冗余式融合和協作式融合。

1.補償式融合指各個傳感器對相同的環境進行探測，然后通過融合算法，或選取各個傳感器的優勢探測信號，或整合各個傳感器各自的探測范圍，從而獲取更精準和覆蓋范圍更廣的環境信息。以當前主流的前視毫米波雷達和攝像頭融合（RV Fusion）方案為例：

2.冗余性融合是指各個傳感器對同一目標進行探測，融合算法整合所有對同一目標的探測信息，從而提升目標的可信度，降低單個傳感器誤檢對整體系統的影響。 冗余性融合廣泛應用于與安全性相關的功能中， 比如現流行的自動緊急剎車（AEB）功能，如果該車具有多個傳感器，則在對目標進行自動制動之前，一般要求至少有兩種及以上傳感器同時檢測到該目標，確保目標存在性的冗余，降低該目標是由單個傳感器誤識別的可能性，從而降低誤制動的概率（基于當前的法律法規，這種誤制動是相當危險的，需盡力避免）。同樣以前述的雷達攝像頭方案為例，通常毫米波雷達檢測時，由于環境噪聲的干擾以及信號處理算法的局限，會不時地出現目標誤識別的現象，一般把這種誤識別產生的目標稱作鬼影（ghost）目標，而攝像頭的探測原理使得其具有更低的誤識別率，所以在這種系統中，如果安全性功能要想啟動，一般要求雷達和攝像頭都同時檢測到同一目標，從而降低誤制動率。

3.協作式融合是指整合各個傳感器的探測信息，相對來講這些探測信息都是較單一且低維度的，進行提取出更深度和高維度的探測信息。比如，通常攝像頭探測的圖像信息丟失了環境的三維信息，如果將雷達探測的點云信息和圖像像素信息進行融合，可以構建出帶有深度信息的圖像（深度圖），那么利用這張深度圖也就可以提取出完整的三維環境信息，除了目標感知之外，還能提供可行域（Fress Space）等更高維度的信息。當前流行的前融合即屬于這種融合大類，目前多家智能駕駛企業正在這個方向發力，并嘗試將其運用到量產項目中。

智慧融合感知

當前，知行科技正著力于實現視覺感知與超聲波感知的融合，視覺感知對障礙物的存在性和類別判斷上有一定優勢，只要依靠數據閉環鏈路，不斷迭代優化視覺感知性能，就能對大部分常見的障礙物有較好的識別能力。超聲波傳感器對近距離的障礙物具有穩定的感知能力，并且對任意類別的障礙物都能無差別探測，比如地鎖，花臺，限位桿等，廣泛應用于泊車功能的環境感知。將視覺和超聲波對障礙物的探測進行融合， 屬于補償式融合，將能夠更加穩定魯棒地探測泊車位附近的障礙物，為泊車功能提供保障，此方案也將直接應用于知行科技的泊車功能中。此外，即將推出的iDC域控制器，搭載有四顆環視攝像頭，知行科技也將對這四個攝像頭的感知結果進行一個FOV層面的融合，從而提供360°的無死角感知范圍。

未來 擺脫“近視”

近年來大火的高速自動導航功能，要求自車具有穩定的360°無差別的感知能力，所以多傳感器基于FOV層面的融合，以及各傳感器在FOV重疊區域的融合處理，是自動導航功能必不可少的方案。放眼高階自動駕駛，從前述的感知結果和融合方案可以看出，當前階段下主流的感知結果都是基于交通參與者這一障礙物（還可能包含信號燈，錐桶等靜態障礙物）為目標的，然而真實的交通場景是及其復雜的，交通參與者只是其中一個部分，對環境的完整勾勒無法靠目標級別的感知融合來實現。

當前，不少研究方正嘗試對各個傳感器的原始信息進行前融合，如原生的攝像頭圖片或者像素，雷達的點云甚至電磁波信號等，以及盡量不丟失感知信息的情況下完成對環境的更充分表達，從而邁向高階自動駕駛，這一方案能否最終落地量產，還需要時間持續關注。上述的各種融合方式，沒有嚴格的界限，在一個智能駕駛系統中通常根據具體需求動態的選擇融合方式，且多種融合方式可能同時運用在相同傳感器中。智能駕駛的功能逐漸邁向高階，汽車所搭載的傳感器種類及數量也大幅度增加，但單個傳感器始終擺脫不了其固有局限，是一雙“近視”的眼睛，通過不斷優化的傳感器融合算法，讓汽車擺脫“近視”，看得更清，行得更遠，更安全。