傳感器融合係將來自多個傳感器嘅數據，透過演算法進行組合與處理，從而獲得比任何單一傳感器都更準確、更完整嘅環境資訊嘅過程。佢為自動駕駛系統提供一個連續、可靠嘅「理解」，係L2 級及以上輔助駕駛同自動駕駛嘅核心技術基礎。
每種傳感器都有自己嘅「強項」同「弱點」，單獨運作都會留下感知盲區：
攝錄鏡頭：擅長識別顏色、紋理、文字（如車道線、交通標誌、交通燈），但在強逆光、雨霧或夜間等光照欠佳時性能會顯著下降。
毫米波雷達：擅長在雨雪霧等全天候條件下精確測量物體嘅距離同速度，但難以識別物體具體係咩（如區分行人同路牌）。
激光雷達：能生成高精度嘅三維點雲，精準描繪物體輪廓，但成本高，且大雨或大雪中性能會下降。
傳感器融合嘅目標，就係取長補短，將所有傳感器嘅優勢結合起來。
根據處理階段嘅不同，傳感器融合主要喺三個層級進行：
數據層融合（低層級）：喺原始信號層面直接融合，好似將激光雷達嘅點雲與攝錄鏡頭像素一一對應。精度最高，但對數據同步同時間同步要求極為嚴格，適合同類型傳感器（如雙目攝像頭）。
特徵層融合（中間層）：分別從各傳感器數據中提取「特徵」（如邊緣、角點等），再綜合呢啲特徵進行環境感知。呢個係工業界較成熟嘅主流方案，平衡咗性能同可靠性。
目標層融合（高層級）：各傳感器先獨立完成識別，得到各自嘅「候選目標列表」，再由中央模組進行綜合決策。呢種方式對硬體頻寬要求最低，但資訊損失較多，可能導致目標遺漏。
目前，傳感器融合嘅主流方案係多傳感器融合——通常結合激光雷達、毫米波雷達同攝錄鏡頭，實現互補優勢。
前融合 vs 後融合：
前融合（數據級/特徵級融合）：喺神經網絡提取特徵之前就融合多源數據，能最大限度保留資訊。對目標偵測，比單一嘅雷達或純視覺效果更優。
後融合（目標級融合）：各傳感器獨立處理後再融合結果，更成熟、易工程化，但可能出現資訊損失。
發展趨勢：由於深度學習同端到端模型嘅發展，業界正從後融合向更複雜嘅前融合演進，以追求更高嘅感知精度。值得注意嘅係，部分廠商（如特斯拉）堅持「純視覺」路線，認為足夠強大嘅演算法能由圖像中提取所有必要資訊。但多數主流廠商仍將多傳感器融合視為更高安全等級嘅必要保障。
