048、AF鲁棒性融合——激光/ToF/PDAF多传感器对焦策略在车载与手机平台上的架构差异调试记录翻到去年Q3那条，某车型的DMS摄像头在隧道出口逆光场景下对焦抽风，镜头来回拉风箱，车内监控画面糊成一团。当时第一反应是PDAF置信度崩了，查了半天发现激光点测距模块给出的距离值跳变幅度超过两米，而ISP端的AF算法直接把激光数据当成了绝对真值。这个案例挺典型，多传感器融合对焦的坑，往往不在单个传感器精度上，而在信任模型和切换逻辑上。先聊个基本认知，手机和车载的AF融合架构，底层逻辑完全不同。手机端，PDAF是绝对主力，激光或ToF只是辅助，而且辅助得相当克制。车载端反过来，激光/ToF的权重往往压过PDAF，尤其在光线剧烈变化或目标物反射率极端的情况下。这个差异不是拍脑袋定的，是物理约束和场景语义决定的。手机上的PDAF像素密度高，随便一颗48M sensor的dual PD覆盖率都能做到5%以上，加上sensor读出速度快，PDAF的采样频率可以做到30fps甚至60fps。激光模块在手机上通常是单点测距，发射功率受限，有效距离也就两三米，而且对暗色物体吸收严重。手机场景里，被摄主体距离镜头通常在半米到两米之间，这个区间PDAF的精度和稳定性完全够用，激光的作用更多是辅助判断场景切换，比如从近景切远景时给个粗粒度距离提示，帮助AF算法跳过无效搜索区间。所以手机端的融合策略是PDAF主导，激光做模糊决策的输入，权重分配大概在8:2甚至9:1。车载端完全不是这个玩法。车载摄像头视场角大，焦距短，景深大，但运动场景下对焦响应速度要求极高。更关键的是，车载sensor的PDAF像素覆盖率普遍偏低，很多车规级sensor为了暗光性能牺牲了PD像素密