凌晨一点，扫地机器人驶入深色亮面地板，突然减速、原地打转，像一个在冰面上失去方向的舞者。

午后两点，阳光正盛，手机人像模式把侧脸轮廓抠出一圈锯齿，一张本该温柔的照片，败给了几万流明的天光。

还有那面白墙。一台造价不菲的双目深度相机对准它，输出的却是一张漆黑如墨的深度图——它睁着眼，什么也看不见。

三个翻车现场，没有一个是产品的 bug。它们指向同一件事：在三维感知这条路上，没有一种技术是全能选手。于是行业给出了自己的答案：给一台相机装上三双眼睛，分段把守，互相仲裁。这篇文章拆解多光融合架构——它为什么成立，怎么分层，以及为什么量产它比发明它更难。

一、三双眼睛，三种天生的近视

被动双目：优雅的算式，怕素颜的世界

被动双目是最古老的思路：左右两只镜头像人的双眼，靠视差算距离。深度公式只有一行——焦距乘基线，除以视差。算式优雅，成本克制，精度虽随距离衰减，斜率却平缓，所以远端表现稳。

但它有个前提：场景里得有纹理可匹配。匹配算法要在左右图像里找到同名点，白墙、弱光、百叶窗式的重复条纹，任何一种「素颜」场景都能让它当场失明——视差匹配一旦失败，深度图直接塌方，连一句解释都没有。

更麻烦的是基线的物理约束：想让远距精度再上一档，就得拉长基线；可基线一长，模组体积与近距盲区同时恶化。这是一门在尺寸与精度之间走钢丝的手艺。

结构光：毫米级精工，怕几万流明的阳光

结构光选择主动出击：VCSEL 激光器射出红外光，穿过一片衍射光学元件（DOE），被复制成数万颗散斑投向空间；红外相机接住被物体表面调制过的图案，靠形变反解深度。散斑投得越密，解算越精，一米之内能做到毫米级精度，精细得能数清一尊雕像的睫毛。

但 VCSEL 的功率被人眼安全标准死死摁在毫瓦级，而正午阳光里的近红外辐照比这强出几个数量级——即便加上 940nm 窄带滤光片，散斑信号一走出室内仍会被淹没，信噪比断崖式下跌。它是室内短距之王，出了门就「失明」。

深色亮面是另一重克星：黑色烤漆地板吸收红外，散斑打上去如泥牛入海，对比度归零，精度无从谈起。

ToF：光的秒表，怕距离与镜子

ToF 干脆直接测光的飞行时间：光打出去，弹回来，掐表算距离。听起来粗暴，做起来精细——光往返一米半只需 10 纳秒，想分辨一厘米的深度差，计时精度得压到 60 皮秒量级。

iToF 把时间藏进相位差里，用调制光间接计时，便宜、分辨率高，但要解相位缠绕，还躲不开多径干扰：撞上玻璃与镜面，光在几个反射面之间弹跳，它会把虚像当真。dToF 给每一个光子盖时间戳（SPAD 探测器加时间数字转换电路），能打得更远，代价是系统复杂度的陡增。

距离本身是另一道坎：返回光强随距离平方衰减，超过 5 米，噪点开始在深度图上蔓延。测距远、帧率高、体积小，它一度被视为最优解——直到物理学不讲情面。

三条路线，三种软肋，恰好都倒在对方的主场。

二、一张参数表，看清主场与软肋

维度	被动双目	结构光	ToF
典型工作距离	0.5m～20m+	0.2m～2m	0.1m～5m，dToF 更远
近距精度	厘米级	毫米级	厘米级
致命场景	白墙、弱光、重复纹理	强阳光、深色吸光面	远距、玻璃镜面
分辨率与帧率	分辨率高，帧率中	分辨率高，帧率中	分辨率低，帧率高
功耗与成本	最低	中	中偏高

参数表读到最后只剩一句话：谁都不是全能选手，谁都有不可替代的一段——这正是融合成立的前提。

三、组队，是唯一的出路

于是答案浮出水面：不是选一种技术，而是让它们组队。

结构光守近端，一米内毫米级精度，寸土不让；ToF 接管中段，稳住速度与帧率；双目吃环境纹理，撑起远端纵深。三双眼睛分段把守，各自的短板恰好被同伴的长板补上——这就是多光融合深度相机的基本盘。

但组队只是第一步。真正的问题是：当两双眼睛给出矛盾的深度值，听谁的？

工程界的答案叫置信度仲裁。每个传感器的输出都附带一张置信度图：结构光看散斑对比度，ToF 看反射强度与相位一致性，双目看匹配代价曲面的尖锐程度。融合引擎逐像素加权，谁强谁上，弱者退场——谁都别想独裁，谁也别想裸奔。

高明的仲裁还懂得「软切换」：在两段技术的交界处留一条过渡带，深度值沿置信度渐变，而不是硬切一刀。用户看到的深度图才平滑如水面，而不是两块布料生硬的接缝。

四、融合的三层境界

融合架构，又分三层境界。

决策级最省算力：各算各的深度，最后投票表决。省事，但原始信息在各自处理时就已丢失，融合上限天生偏低，多见于早期低成本方案——比如只做「哪路可用用哪路」简单切换的扫地机器人。

深度级是当下的主流：在深度图上逐像素加权融合，信息保留与算力开销刚好平衡。你口袋里的手机、家里的扫地机器人，大多停在这一层。

特征级是理想主义者的选择：在原始数据层面联合优化，信息最全、效果最佳，但算力需求陡增，多见于不计成本的场景——XR 头显的多相机视觉惯性里程计，把特征点从原始图像里拎出来联合解算；自动驾驶的前融合方案，则把相机与激光雷达的特征融进同一张鸟瞰图再输出障碍物。

从决策级到特征级，算力与信息量一路递增，像一座金字塔——爬得越高，风景越好，氧气越稀薄。

五、行业已经用脚投票

这场融合不是实验室的畅想，收敛已经发生。

iPhone 的 Face ID 里，点阵投射器与红外相机组成结构光系统，守着支付级安全；后置 LiDAR 则是另一套 dToF 方案，与主摄协同完成夜间对焦与空间感知。Vision Pro 靠多路相机与 LiDAR 完成空间透视。主流扫地机器人用 dToF 建图、结构光补盲，深色地板不再是无解的盲区。

再往产业上游看，机器人与具身智能正在成为多光融合的新主场：机械臂要做 3D 引导抓取，AMR 要在仓库里全天候导航，人形机器人要在一米之内看清手边的世界——这些场景对深度的要求天然横跨近、中、远三段，单打独斗的传感器根本接不住。

从旗舰手机到清洁家电，多光融合正在从高端定制滑向标配。单传感器打天下的时代结束了。3D 视觉，正式进入团体赛。

六、团体赛不好打：量产的三道难关

但团体赛的门票，一点也不便宜。

第一道难关是标定。 多一路传感器，就多一路内参、外参、时间同步与温漂补偿。内参要对焦距与畸变负责；外参要回答三只眼睛各自长在哪、朝向哪；时间同步的账更精细——设备以 1m/s 移动，10ms 的时戳错位就是 1cm 的深度错位。温漂则在设备工作后悄悄出手：VCSEL 波长随温度漂移，结构件热胀冷缩让外参偏移，不补偿就慢慢「歪眼」。任何一路漂了，融合不但救不回来，反而会放大错误——三个近视的人凑在一起，并不会自动变成远视眼。

第二道难关是算力。 两路 VGA 分辨率的深度图以 30fps 实时配准，意味着每秒要在近两千万个像素点上完成重投影、对齐与加权，靠通用处理器硬扛并不现实。专门的深度融合加速引擎正在成为模组标配——就像当年 ISP 从 CPU 手里接过像素一样。

第三道难关是成本。 多一颗传感器，就多一份 BOM，也多一分工装与产线校准的投入：标定墙、暗箱、温箱，每一件都是真金白银；产线上多一分钟标定工时，量产爬坡就多一分压力。如何在千元级模组里塞下三双眼睛，还控住良率与功耗，考验的是系统集成的水位。

而这，恰恰是深度相机模组厂商的价值所在——把融合的复杂度留在模组里，把干净的多源深度数据交给客户：深度图、置信度图、IMU 数据，时间戳对齐，接口干净。对下游做机器人、门锁、AR 设备的开发者来说，买到的不是几颗传感器，而是一套已经调好的眼睛。

七、趋势观察：融合之后是什么

往前看，三股力量正在把多光融合推向纵深。

其一，端侧算力在下沉。NPU 进入模组级，特征级融合的算力门槛被逐年拉低，昨天的旗舰专属，明天就是标配。

其二，具身智能在放量。机器人要的不再只是一张深度图，还有 RGB 与深度的像素级对齐、语义与几何的联合理解——融合的下一站，是「感知的融合」。

其三，供应链在国产化。VCSEL、DOE、SPAD、驱动芯片，每一环国产玩家的入场，都在把融合模组的成本曲线往下压。

下一次，当你的扫地机器人顺滑地绕过床脚，当你的手机把每一缕发丝都抠得干干净净，背后多半不是一个更强的传感器，而是三双眼睛的一次默契配合。

技术选型的终局往往如此：没有万能钥匙，就造一串钥匙环。

---

One More Thing …

朗锐创新（loongray.com）聚焦智能视觉与具身AI，深度相机与智能相机产品线；深度相机覆盖双目相机、结构光、ToF、多光融合等主流技术路线；智能相机应用场景为机器人、无人机；为客户提供 OEM/ODM 定制化服务，帮助客户产品快速上市、快速盈利。