一句话定义：传感器融合（Sensor Fusion）是把多个传感器（sensor）的观测合成为一个更可靠的状态估计，而不是简单投票或取平均。
它怎么工作
以自动驾驶为例。摄像头（camera）擅长识别颜色、文字、车道线，但逆光、白卡车、雨雾可能看错；雷达（radar）测距和测速稳，对金属反射敏感，但横向分辨率和语义弱；IMU（Inertial Measurement Unit，惯性测量单元）短时间响应快，能感知加速度和角速度，但会随时间漂移。三者经常“打架”：摄像头认为前车 30 米，雷达说 28 米，IMU 却显示自车在急加速。
融合算法的做法，像一位会加权的裁判。它先用运动模型做预测：根据上一时刻位置和 IMU 的加速度，推测现在大约 29 米；再让摄像头和雷达“发言”。每个读数都带着不确定度：雷达通常距离方差小，光线好时摄像头横向方差小。系统按“谁更可信”分配权重，算出 28.7 米和误差范围。若某个读数离预测太远，可能是误检，会被降权或剔除。常见工具是卡尔曼滤波（Kalman Filter）和粒子滤波（Particle Filter），也有用神经网络直接学习融合。
生活化比方：你问三个人指路。一个眼神好但会认错颜色，一个听回声判断距离，一个内耳感觉平衡。你不会只信一个人，而是根据环境决定听谁的，再把意见合成一条路线。
和相邻概念的区别
数据拼接只是把多路数据放在一起显示；传感器融合要输出统一、可用的状态。多模态大模型更偏语义理解和生成，传感器融合更偏实时估计、定位与控制。
| 传感器 | 强项 | 弱项 |
|---|---|---|
| 摄像头 | 语义、颜色、文字 | 受光照天气影响 |
| 雷达 | 测距测速、穿透雨雾 | 语义弱、横向分辨率低 |
| IMU | 高频、短时精确 | 长期漂移 |
实际意义
对从业者，融合不是“接上就行”：时间同步、坐标标定、误差建模、异常值处理往往比模型更关键。对普通人，手机导航、汽车辅助驾驶、扫地机器人、AR/VR 都靠它把互相打架的信号变成可信结果。具体产品能力以官方页面为准。