深耦合融合（Deep Coupled Fusion）是自动驾驶感知系统中一种先进的传感器数据融合方法，其核心在于建立不同模态传感器（如摄像头、激光雷达、毫米波雷达）数据之间的深度特征级交互，而非简单的决策层或特征层拼接。这种融合方式通过神经网络架构设计，在原始数据或中间特征层面实现跨模态的紧密耦合，使得不同传感器的优势特征能够相互增强、劣势特征得以补偿。典型实现包括跨模态注意力机制、共享特征空间构建以及端到端的联合优化等。
在产品落地层面，深耦合融合显著提升了复杂场景下的感知鲁棒性，例如在逆光环境下，激光雷达点云数据可以校正摄像头因曝光异常丢失的物体轮廓；而在雨雾天气中，视觉特征又能辅助弥补雷达信号的衰减。特斯拉的HydraNet和Waymo的多模态Transformer架构都是该技术的成功实践。不过这类方案对计算平台算力和传感器时空同步精度要求较高，需在工程实现中平衡性能与成本。