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
