決策層融合是最高層級(jí)的融合，基于各傳感器的獨(dú)立決策結(jié)果進(jìn)行綜合判斷。每個(gè)傳感器先對(duì)環(huán)境狀態(tài)做出獨(dú)立推斷（如攝像頭判斷 “前方 5m 有行人”，激光雷達(dá)判斷 “前方 5.2m 有障礙物”），再通過融合算法（如投票法、貝葉斯推理）輸出最終決策。這種方式對(duì)傳感器的獨(dú)立性要求低，允許不同傳感器采用異構(gòu)算法，且通信開銷?。▋H傳輸決策結(jié)果），適合分布式系統(tǒng)（如多機(jī)器人協(xié)同）。例如，在園區(qū)自動(dòng)駕駛中，當(dāng)攝像頭因逆光誤判 “無行人”，而激光雷達(dá)檢測(cè)到 “前方 3m 有障礙物” 時(shí)，決策層融合會(huì)基于 “安全優(yōu)先” 原則，采信激光雷達(dá)的結(jié)果并觸發(fā)減速。決策層融合的關(guān)鍵是設(shè)計(jì)合理的權(quán)重分配機(jī)制 —— 根據(jù)傳感器在當(dāng)前場(chǎng)景的可靠性（如雨天時(shí)提升毫米波雷達(dá)權(quán)重）動(dòng)態(tài)調(diào)整決策貢獻(xiàn)。

核心技術(shù)：時(shí)空校準(zhǔn)與融合算法

多傳感器融合的實(shí)現(xiàn)依賴時(shí)空同步、數(shù)據(jù)關(guān)聯(lián)、融合推理三大技術(shù)支柱，其性能直接決定融合系統(tǒng)的精度與魯棒性。

時(shí)空同步技術(shù)是融合的前提，解決 “何時(shí)、何地” 的數(shù)據(jù)對(duì)齊問題。時(shí)間同步方面，通過 GPS 授時(shí)或硬件同步脈沖（如 PTP 協(xié)議）確保各傳感器的時(shí)間戳誤差≤1ms，避免因數(shù)據(jù)延遲導(dǎo)致的運(yùn)動(dòng)畸變（如高速行駛中激光點(diǎn)云與圖像的錯(cuò)位）?？臻g校準(zhǔn)則通過標(biāo)定算法確定傳感器間的外參（相對(duì)位置與姿態(tài)），例如利用棋盤格標(biāo)定板同時(shí)被攝像頭與激光雷達(dá)觀測(cè)，通過非線性優(yōu)化求解最優(yōu)轉(zhuǎn)換矩陣，使不同傳感器的坐標(biāo)偏差控制在 2cm 以內(nèi)。在動(dòng)態(tài)場(chǎng)景中，還需引入在線校準(zhǔn)機(jī)制 —— 當(dāng)檢測(cè)到傳感器數(shù)據(jù)一致性偏差（如激光雷達(dá)與攝像頭的目標(biāo)距離差持續(xù)超過 5cm）時(shí)，自動(dòng)觸發(fā)外參修正，適應(yīng)溫度、振動(dòng)導(dǎo)致的傳感器偏移。

數(shù)據(jù)關(guān)聯(lián)算法 解決 “哪些數(shù)據(jù)屬于同一目標(biāo)” 的匹配問題，是融合的核心環(huán)節(jié)。在特征層融合中，常用最近鄰算法（NN）或聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（JPDA）實(shí)現(xiàn)目標(biāo)匹配：對(duì)于攝像頭檢測(cè)的 “行人” 與激光雷達(dá)檢測(cè)的 “障礙物”，通過計(jì)算位置、尺寸的歐式距離，當(dāng)相似度超過閾值（如 IOU≥0.7）時(shí)判定為同一目標(biāo)。在復(fù)雜場(chǎng)景（如多目標(biāo)交叉）中，基于深度學(xué)習(xí)的關(guān)聯(lián)方法表現(xiàn)更優(yōu) —— 通過訓(xùn)練跨模態(tài)特征嵌入模型，將攝像頭的圖像特征與激光雷達(dá)的點(diǎn)云特征映射至同一高維空間，利用余弦相似度實(shí)現(xiàn)魯棒匹配，匹配準(zhǔn)確率可達(dá) 95% 以上，顯著優(yōu)于傳統(tǒng)方法。