自动驾驶事故的调查报告，我前后翻过十几份。有个感受越来越强烈：绝大多数事故的根源，并不在算法本身有多笨，而是卡在传感器融合这一环上。说白了，就是车上的摄像头、毫米波雷达、激光雷达各自看到的东西，没法在极短时间内拼成一张可信的图景。

这事听起来简单，做起来极其拧巴。摄像头擅长识别颜色和纹理，能读出限速牌上的数字，但它测距全靠透视关系去猜，误差大得离谱。毫米波雷达测距准、穿透雨雾能力强，可它分不清一个易拉罐和一块石头，静态物体的点云稀疏得让人心慌。激光雷达倒是能给出高精度的三维点云，但一下雨，雨滴打在镜面上会产生大量噪点，算法得花额外精力去滤掉这些假信号。

问题就出在这：三种传感器各有各的脾气，它们输出的数据在时间戳、坐标系、置信度上全都不统一。摄像头一帧图像要30毫秒处理完，激光雷达一转就是100毫秒，雷达的刷新率又不一样。你要把这些异步的数据对齐到同一个时间切片里，本身就是个工程噩梦。更别提每个传感器还有自己的内参和外参标定误差，车开久了，震动会让摄像头偏个零点几度，融合结果就全歪了。

我见过一个典型的案例。某测试车在黄昏时分撞上了前方静止的清扫车。事后拆解数据发现，摄像头其实在碰撞前1.2秒就识别出了清扫车的轮廓，但毫米波雷达因为清扫车尾部是弧形金属面，回波信号被散射掉了，给出的距离值比实际远了将近两米。激光雷达呢，当时正好有一束反射打在路面的积水里，点云把清扫车的位置标到了车道线外侧。三个传感器各说各话，融合模块的投票机制直接懵了，最后取了个加权平均，得出一个“前方无障碍”的错误结论。

这种场景在业内叫“传感器冲突”。解决思路无非两种：要么定规则，谁在什么条件下更可信；要么上深度学习，让网络自己学权重。定规则听起来稳妥，但规则越写越多，最后变成几千行的if-else，连写代码的人自己都理不清。深度学习倒是省事，可它是个黑箱，出了事故你连怎么回滚都不知道。更麻烦的是，训练数据里长尾场景的覆盖率永远不够，你没法穷举所有传感器打架的情况。

还有个被低估的难点：融合的层级选择。前融合是在原始数据层面就合并，理论上信息损失最小，但对时空同步的要求苛刻到变态。后融合是各传感器先独立出结果，再投票决策，鲁棒性好一些，可一旦某个传感器被遮挡或欺骗，整个系统就容易被带偏。现在量产的乘用车大多走的是后融合路线，因为算力吃得少，工程上能落地。但这也意味着，只要有一个传感器“撒谎”，融合结果就可能跟着错。

说到底，传感器融合的难题不是单纯的算法问题，它牵扯到硬件标定、时间同步、功能安全架构，甚至整车电子电气设计的底层逻辑。我认识一个做融合的工程师，他说他们团队花了八个月，就为了让摄像头和激光雷达在过减速带时的外参漂移控制在0.1度以内。这种活，外人看着枯燥，但少做一点，路上就可能多一次误刹或者漏检。

短期内，我不指望传感器融合能做到完美。更现实的做法是，让融合系统学会“认怂”——当三个传感器分歧超过阈值时，直接降级到安全停车，而不是硬着头皮给一个自信但错误的结果。可惜，现在的行业氛围更愿意宣传“全场景零接管”，承认自己搞不定，反而成了稀缺品质。