CRUISE：视觉语言模型引导的不确定性感知跨模态传感器融合，实现鲁棒自动驾驶

现代自动驾驶汽车配备多种传感器，如摄像头、LiDAR 和雷达，以实现全面的环境感知。然而，鲁棒的跨模态特征融合仍是一个关键挑战，因为各传感器的可靠性在多样的真实驾驶条件下（包括能见度差和恶劣天气）差异显著。虽然不确定性量化（UQ）通过让模型优先采用可靠信号来缓解这一问题，现有的不确定性感知融合方法通常依赖简单的特征级不确定性估计，因此在复杂的分布外场景中往往无法有效泛化。为解决这一局限，我们提出 CRUISE，一个新颖的不确定性感知跨模态传感器融合框架。CRUISE 集成了一个由视觉语言模型（VLM）引导的 UQ 模块，生成细粒度的像素级不确定性估计。通过利用 VLM 丰富的先验知识和出色的情境推理，我们的方法为融合过程提供了信息量极高的引导。此外，我们引入一个动态自适应机制，显式建模并捕捉跨模态依赖，确保框架充分利用多传感器输入固有的互补性。