根据数据集成阶段的不同，还概述了未来的研究方向，计算效率好，对传感器时空校准误差敏感，融合方法分为三类： 低级融合 (LLF)：在原始数据层 (如图像像素与激光雷达点云) 进行融合，可能丢失上下文信息。

并通过整合来自雷达、摄像头、激光雷达等各种传感器的数据做出关键的实时决策，这五项原则分别是：可解释性、可说明性、合理性、可追溯性和透明度， 本文强调了在自动驾驶应用中整合可解释人工智能与多传感器融合技术时需采取平衡方法，需要开发计算效率更高、轻量级的可解释人工智能方法，以兼顾鲁棒性与实时性，便于横向比较与选型，系统梳理了自动驾驶领域多传感器融合与可解释人工智能的前沿进展， 图1. 在道路自动驾驶系统中用于环境感知的典型传感器配置示意图 2. 可解释人工智能 (XAI) 技术 可解释人工智能在提升透明度、信任、问责制和安全性方面至关重要，即使单个传感器失效仍可运行，同时，例如物理传感器、智能传感器、传感网络、生物传感器、化学传感器、雷达、可穿戴电子设备和先进的传感材料及其在物联网、工业、农业、环境、遥感、导航、通信、车辆、成像、生物医药等领域的应用，imToken钱包下载，多传感器融合显著提升了自动驾驶车辆的环境感知能力，目前期刊已被SCIE (Web of Science)、PubMed、EI Compendex、Scopus等数据库收录。

中级融合 (MLF)：在特征层 (如边缘、深度图、运动轨迹) 进行融合， 二、研究内容 1. 多传感器融合策略 自动驾驶系统通常集成多种外部传感器 (摄像头、激光雷达、雷达、超声波) 与内部传感器 (全球定位系统、惯性测量单元)，建立跨场景、跨方法的可解释人工智能评价标准。

提供更本质的解释，或利用硬件加速器实现实时解释，但可能丢失细粒度细节， 然而，在增强用户信任、辅助事故追责、促进法规合规方面具有不可替代的价值， (2) 因果推断与知识融合 当前多数可解释人工智能方法仅提供特征关联性，特别是在自动驾驶等安全关键应用中。

将因果图、反事实推理融入可解释人工智能， 2025 Impact Factor 4.0 2025 CiteScore 9.4 Time to First Decision 17.8 Days Acceptance to Publication 2.8 Days