在五年前，一辆全新的汽车可能包含大约60到100个感测器。在今天，这个数字实际上更接近200或更多。随着车辆不断变得更加智能和自主，感测器的发展和复杂程度也跟上了步伐。例如，传统安装在车辆上的大型LiDAR变得更小、数据更多、效能更高，同时提供更高的解析度。但是，比感测器类型本身更大的进步是能够获取来自多种感测器类型的数据，并在强大的计算平台上对这些数据进行网格化。

随着自动驾驶汽车产业的不断发展，技术供应商和汽车制造商需要考虑边缘运算能力、感测器融合、感测器退化、监控以及车辆生命周期内软体维护与服务之间的成本及性能平衡。

汽车制造商和原始设备制造商面临的最大挑战之一，是跟上感测器和数据开发的快速步伐。感测器需要为车辆系统提供必要的数据保真度，以满足设计要求。例如，如果驾驶市场上任何最新的车辆，它们的感测器将寻找车道标记，并在必要时提供车道的视觉提示。

这些类型的功能很有帮助，但在自动驾驶汽车方面仍然属于相对初级的能力。在道路上有大量司机、行人、骑自行车者和摩托车的人口，在稠密的大都市地区行驶，需要车辆在瞬间做出停车或转向的决定，以避免撞到行人或其他车辆。感测器融合开始在这样的领域发挥作用，做出人类驾驶员在高级驾驶辅助（ADAS）系统做出反应之前，可能无法做出的决定。

为了实现ADAS功能和自动驾驶，如今的汽车配备了越来越多的环境感测器，例如雷达、摄像头、超声波和激光雷达等。然而，每个感测器本身都有其局限性，不能单独提供有关车辆环境所需的完整信息，以执行安全功能。透过结合来自各种感测器的输入，可以有足够的信心生成完整的环境模型，以启用ADAS功能或自动驾驶功能。作为可以做出关键自主决策的自动驾驶系统的一部分，感测器融合系统的设计必须满足最高的安全和安保标准。